輪速里程計(jì)（WO）是車輛自定位的最簡(jiǎn)單形式之一，已應(yīng)用于許多轉(zhuǎn)向機(jī)器人，如兩輪和四輪機(jī)器人。在這些車輛中，左右兩側(cè)的車輪可以在不同的速度和方向上獨(dú)立操作。它們有許多應(yīng)用；美國宇航局的火星探測(cè)車（MER）就是此類機(jī)器人中的突出例子。輪速里程計(jì)的方法是基于安裝在機(jī)器人上的車輪編碼器來跟蹤每個(gè)車輪的轉(zhuǎn)數(shù)。轉(zhuǎn)數(shù)被整合到一個(gè)車輛的運(yùn)動(dòng)模型中，以確定機(jī)器人相對(duì)于起始點(diǎn)的當(dāng)前位置。輪速里程計(jì)方法受到幾個(gè)限制。例如，它只適用于地面車輛，而不適用于空中或水上車輛。此外，它還存在位置漂移現(xiàn)象，其中測(cè)量誤差隨著時(shí)間累積。此外，由于車輪打滑，輪速里程計(jì)系統(tǒng)在復(fù)雜不平的地形和光滑地面面上的性能較差。盡管輪速里程計(jì)是一種簡(jiǎn)單且廉價(jià)的定位技術(shù)，但它不適合于需要精確和長(zhǎng)期可靠定位系統(tǒng)。

慣性里程計(jì)（IO）或慣性導(dǎo)航系統(tǒng)（INS）是一種定位方法，它使用來自IMU傳感器的測(cè)量值來確定車輛/機(jī)器人相對(duì)于給定起點(diǎn)的位置、方向、高度和線速度。IMU傳感器是一種MEMS器件，主要由三軸加速度計(jì)和三軸陀螺儀組成。加速度計(jì)測(cè)量的是非重力加速度，而陀螺儀是根據(jù)重力和磁力的測(cè)量來測(cè)量方位的。這些基于MEMS的傳感器體積小、功耗低，是無人機(jī)和微型機(jī)器人等資源受限系統(tǒng)的理想解決方案。此外，基于IMU的導(dǎo)航系統(tǒng)不需要外部參考來精確估計(jì)平臺(tái)的位置。然而，由于來自不同來源的誤差，例如陀螺儀測(cè)量和加速度計(jì)的恒定誤差，這些系統(tǒng)存在漂移問題。這些誤差將導(dǎo)致估計(jì)速度和位置的誤差增加。因此，慣性里程計(jì)系統(tǒng)不準(zhǔn)確，不適合需要長(zhǎng)時(shí)間定位的應(yīng)用。為了解決這個(gè)問題，人們提出了不同的解決辦法。下圖說明了慣性導(dǎo)航系統(tǒng)的結(jié)構(gòu)，在該系統(tǒng)中，使用航位推算法對(duì)來自IMU傳感器的測(cè)量值進(jìn)行整合，以估計(jì)當(dāng)前的車輛的姿態(tài)。

激光里程計(jì)（LO）或激光雷達(dá)里程計(jì)（LiDAR odometry）是一種通過跟蹤周圍物體反射的激光散斑圖來估計(jì)自身位置和方向。激光雷達(dá)對(duì)環(huán)境光照和低紋理環(huán)境不敏感。與舊版本相比，激光雷達(dá)傳感器變得更小、更輕，因此它們甚至可以連接到微型飛行器（MAV）。一般來說，基于激光雷達(dá)的傳感過程包括兩個(gè)主要部分：激光發(fā)射和光學(xué)觀測(cè)。當(dāng)激光雷達(dá)掃描速率高于外部運(yùn)動(dòng)時(shí)，通常使用標(biāo)準(zhǔn)迭代最近點(diǎn)（ICP）方法計(jì)算運(yùn)動(dòng)對(duì)象的速度，以解決單軸3D激光雷達(dá)引入的運(yùn)動(dòng)失真問題。ICP是一種通用的、標(biāo)準(zhǔn)的三維重建算法，迭代計(jì)算兩次掃描的點(diǎn)云之間的對(duì)應(yīng)關(guān)系，計(jì)算使對(duì)應(yīng)點(diǎn)之間的距離最小的變換函數(shù)。ICP算法的輸入是連續(xù)兩次激光雷達(dá)掃描的兩個(gè)觀測(cè)點(diǎn)云，再利用奇異值分解法（SVD）對(duì)初始值進(jìn)行優(yōu)化。

視覺里程計(jì)（VO）通過分析攝像機(jī)在一系列圖像上的運(yùn)動(dòng)引起的變化來估計(jì)平臺(tái)的位置和方向。這一領(lǐng)域早期研究的一個(gè)例子是美國宇航局的火星探測(cè)計(jì)劃，其中視覺里程計(jì)被用來估計(jì)漫游者在崎嶇地形中的位置。從更廣的角度來看，VO可以看作是structure from motion（SfM）的一部分，這是一種使用一組圖像重建3D場(chǎng)景和相機(jī)姿勢(shì)的通用技術(shù)。SfM可以基于例如已使用的照相機(jī)的數(shù)量、照相機(jī)校準(zhǔn)狀態(tài)和圖像的順序以各種方式執(zhí)行。從連續(xù)的兩幀圖像中提取關(guān)鍵信息，通過計(jì)算OF來重建三維場(chǎng)景。關(guān)鍵信息（例如角點(diǎn)）是使用圖像特征檢測(cè)器（如Moravec[52]和Harris角點(diǎn)檢測(cè)器）提取的。重建的場(chǎng)景可以使用束調(diào)整或其他離線優(yōu)化方法進(jìn)行優(yōu)化。

3D-3D對(duì)應(yīng)：在這種情況下，攝像機(jī)運(yùn)動(dòng)（變換）可以從三維指定的兩組對(duì)應(yīng)中計(jì)算出來。首先，通過捕獲兩個(gè)立體圖像對(duì)，提取并匹配它們之間的特征點(diǎn)。第二，三角化每個(gè)立體對(duì)的3D匹配點(diǎn)。轉(zhuǎn)換是用通過最小化兩個(gè)3D點(diǎn)集之間的L2距離實(shí)現(xiàn)絕對(duì)縮放。

2D-2D對(duì)應(yīng)：在這種方法中，變換矩陣是用本質(zhì)矩陣計(jì)算的。本質(zhì)矩陣定義了兩幅序列圖像之間的幾何關(guān)系，并利用極線約束從二維特征對(duì)應(yīng)關(guān)系中計(jì)算得到。計(jì)算本質(zhì)矩陣的一種簡(jiǎn)單而常見的方法是使用Nister五點(diǎn)算法[56]。在該方法中，使用一組五個(gè)對(duì)應(yīng)的點(diǎn)來確定連續(xù)幀之間的相對(duì)比例。另一種計(jì)算本質(zhì)矩陣的方法是使用Fischler和Firschein[57]提出的八點(diǎn)算法。這種方法的主要問題是它計(jì)算轉(zhuǎn)換矩陣到一個(gè)未知的比例因子。

3D-2D對(duì)應(yīng)：該方法的主要思想是通過最小化2D圖像上的特征點(diǎn)和三角化后3D對(duì)應(yīng)的2D重投影誤差來計(jì)算變換矩陣。這個(gè)問題也被稱為（PnP），它使用一組n個(gè)3D點(diǎn)來估計(jì)相機(jī)的姿勢(shì)?；謴?fù)相機(jī)姿勢(shì)的最小解決方案需要三個(gè)3D-2D對(duì)應(yīng)，即所謂的（P3P）。基于3D-2D的運(yùn)動(dòng)估計(jì)比3D-3D具有更好的精度，因?yàn)樗梢宰畲笙薅鹊販p少圖像的重投影誤差而不是3D-3D特征位置誤差。

VO視覺里程計(jì)根據(jù)相機(jī)位姿，相機(jī)類型及方法的分類

VO視覺里程計(jì)的一般流程

視覺-激光雷達(dá)里程計(jì)融合了視覺和激光雷達(dá)里程計(jì)，克服了激光雷達(dá)的局限性，如運(yùn)動(dòng)失真和不顯著的環(huán)境（如高速公路），以及視覺里程計(jì)，如漂移和低紋理環(huán)境。在中，VISO2和LOAM以松耦合的方式結(jié)合在一起。VISO2模塊計(jì)算兩次連續(xù)激光雷達(dá)掃描之間的轉(zhuǎn)換，以糾正激光點(diǎn)云的畸變。此外，通過結(jié)合VISO2的結(jié)果和LOAM模塊計(jì)算的最后一個(gè)姿態(tài)，初始化激光雷達(dá)的位置和方向。然后從校正后的點(diǎn)云中提取形狀特征，并與地圖上的點(diǎn)云匹配，得到最優(yōu)狀態(tài)。與之前使用ICP進(jìn)行三維數(shù)據(jù)配準(zhǔn)的方法不同，后者的計(jì)算成本很高。

基于視覺的定位系統(tǒng)面臨著一些挑戰(zhàn)，如場(chǎng)景中缺乏特征、連續(xù)幀之間的特征匹配不一致以及光照不足等。此外，VO方法不適合室外應(yīng)用，因?yàn)橐曈X傳感器受環(huán)境條件的影響，如雨、霧和雪。克服這些限制的一種方法是將視覺數(shù)據(jù)與雷達(dá)測(cè)量數(shù)據(jù)結(jié)合起來，因?yàn)槔走_(dá)對(duì)這些問題免疫。在文獻(xiàn)中，作者提出了一種無人機(jī)定位系統(tǒng)，通過融合來自五個(gè)主要傳感器（即雷達(dá)、攝像機(jī)、慣性測(cè)量單元、氣壓計(jì)和磁強(qiáng)計(jì)）的測(cè)量值來精確估計(jì)前進(jìn)速度。所有傳感器通過擴(kuò)展卡爾曼濾波器以松耦合的方式進(jìn)行融合。

為了獲得精確的運(yùn)動(dòng)估計(jì)結(jié)果，一些方法將雷達(dá)數(shù)據(jù)與IMU測(cè)量數(shù)據(jù)以松耦合或緊耦合的方式融合。將雷達(dá)和IMU數(shù)據(jù)融合到擴(kuò)展卡爾曼濾波器（EKF）中，以估計(jì)飛機(jī)的狀態(tài)。也有提出了一種結(jié)合單個(gè)雷達(dá)數(shù)據(jù)和陀螺儀測(cè)量數(shù)據(jù)的方法，以獲得地面平臺(tái)的前進(jìn)速度、側(cè)滑速度和角速度，以克服在光滑路面上里程測(cè)量的挑戰(zhàn)。

基于視覺的定位方法受到光照、陰影、圖像模糊、幀丟失等多種環(huán)境條件的影響。另一方面，基于IMU的方法雖然不受周圍環(huán)境的影響，但通常會(huì)隨著時(shí)間的推移而惡化。這兩種方法的結(jié)合可以克服這兩種方法的局限性，產(chǎn)生視覺慣性里程計(jì)（VIO），它可以提供更高的精確度和魯棒性。如表1所示，根據(jù)視覺和慣性數(shù)據(jù)的融合方式，VIO可以分為兩種方式：基于過濾器的和基于優(yōu)化的。此外，根據(jù)測(cè)量值融合的時(shí)間，它可以分為松耦合和緊耦合。此外，還有各種攝像機(jī)設(shè)置，例如單眼、立體、RGB-D和全向攝像機(jī)；以及從捕獲圖像中提取關(guān)鍵信息的不同方法，如基于特征的、直接的和混合的方法。

 state-of-the-art視覺慣導(dǎo)里程計(jì)的方法匯總

基于融合方法的分類

松耦合：在松耦合技術(shù)中，位置和方向是通過混合來自兩個(gè)獨(dú)立子系統(tǒng)（即視覺里程計(jì)模塊和IMU模塊）的姿態(tài)估計(jì)來確定的。估計(jì)數(shù)據(jù)在后續(xù)階段進(jìn)行融合，以精確車輛的位置和方向。

 松耦合視覺慣導(dǎo)里程計(jì)的流程

緊耦合方法將從捕獲圖像中提取的關(guān)鍵信息與IMU傳感器的原始測(cè)量值融合在一起，以獲得更好的精度。關(guān)鍵信息可以通過使用圖像檢測(cè)技術(shù)（即角點(diǎn)檢測(cè)器）從圖像中提取和跟蹤特征點(diǎn)，或者通過使用of算法利用圖像的像素強(qiáng)度來獲得關(guān)鍵信息。緊密耦合的方法執(zhí)行視覺和IMU測(cè)量的直接和系統(tǒng)的融合，通常比松耦合方法產(chǎn)生更好的結(jié)果。這是因?yàn)榫o耦合框架將圖像對(duì)齊的關(guān)鍵信息和IMU誤差項(xiàng)合并為一個(gè)代價(jià)函數(shù)

緊耦合視覺慣導(dǎo)里程計(jì)的流程

濾波方法：基于過濾器的方法是解決VIO和SLAM問題的最早方法之一。它們包括兩個(gè)主要部分：預(yù)測(cè)步驟和更新步驟。此外，它們可以被視為最大后驗(yàn)（MAP）方法，其中來自內(nèi)部狀態(tài)傳感器（例如IMU傳感器）的測(cè)量值用于計(jì)算系統(tǒng)姿態(tài)的先驗(yàn)分布，而來自外部狀態(tài)傳感器（例如攝像機(jī)）的測(cè)量值用于構(gòu)建似然分布。在基于濾波器的視覺慣性里程計(jì)中，車輛的先驗(yàn)分布（動(dòng)態(tài)模型）是通過使用來自IMU傳感器的線速度和角速度來計(jì)算的。該動(dòng)態(tài)模型用于預(yù)測(cè)步驟，以預(yù)測(cè)車輛的運(yùn)動(dòng)。此外，在更新步驟中，將關(guān)鍵信息（例如，從捕獲的圖像中提取的特征或像素強(qiáng)度）用作似然分布（測(cè)量模型）來更新預(yù)測(cè)。基于濾波框架的視覺慣性里程計(jì)可分為三類：擴(kuò)展卡爾曼濾波器（EKF），多狀態(tài)約束卡爾曼濾波器（MSCKF）和無跡卡爾曼濾波（UKF）

常用定位技術(shù)比較

我們介紹了一個(gè)全面的文獻(xiàn)綜述包含了在非GPS環(huán)境的定位方法。這些方法可分為五大類：輪速里程計(jì)、慣性里程計(jì)、視覺里程計(jì)、激光里程計(jì)和雷達(dá)里程計(jì)。每種方法都有一些缺點(diǎn)，主要是在低紋理環(huán)境、低光照、陰影、尺度模糊和隨時(shí)間漂移等條件下進(jìn)行評(píng)估。因此，正如調(diào)查中所討論的，已經(jīng)提出了這些方法的各種組合和融合，例如可視激光里程計(jì)和視覺慣性里程計(jì)。車輪里程計(jì)是最早的獨(dú)立定位系統(tǒng)之一，它是利用車輪編碼器來估計(jì)相對(duì)于起點(diǎn)的位置。然而，車輪里程計(jì)存在一些缺點(diǎn)，如位置漂移和在不平坦的地形和光滑的路面上不準(zhǔn)確。此外，它只能用于地面系統(tǒng)。慣性里程計(jì)通過使用加速度計(jì)和陀螺傳感器的測(cè)量值來估計(jì)車輛的位置和方向來解決這些缺點(diǎn)。慣性里程計(jì)仍然存在漂移問題，因?yàn)橥勇輧x或加速計(jì)中的恒定誤差會(huì)導(dǎo)致速度的二次誤差和位置的三次誤差增長(zhǎng)。雷達(dá)里程計(jì)使用天線發(fā)射無線電信號(hào)來測(cè)量車輛周圍物體的速度和范圍。雷達(dá)系統(tǒng)的主要優(yōu)點(diǎn)是覆蓋范圍廣，不受環(huán)境條件（如多云天氣）的影響，并且可以在夜間方便地工作，這使得它成為戶外應(yīng)用的合適解決方案。但是，它只能用于目標(biāo)檢測(cè)，因?yàn)檩敵龇直媛什粔蚋撸瑹o法進(jìn)行目標(biāo)識(shí)別。另一方面，激光雷達(dá)發(fā)射激光脈沖來探測(cè)環(huán)境中的物體。與雷達(dá)系統(tǒng)相比，激光雷達(dá)系統(tǒng)的主要優(yōu)點(diǎn)是，激光雷達(dá)可以使用短波長(zhǎng)探測(cè)到小目標(biāo)，并且可以生成周圍物體的三維單色圖像。然而，它在透明物體（如玻璃）和惡劣天氣（如灰塵、霧、雨和雪）方面有局限性。視覺里程計(jì)通過從圖像中提取關(guān)鍵信息來估計(jì)位置和方向。關(guān)鍵信息可以用直接或間接的方法提取。盡管與慣性和輪速里程計(jì)相比，視覺里程計(jì)提供了更精確的估計(jì)，但它仍然存在一些缺點(diǎn)。這些問題主要與計(jì)算復(fù)雜性和圖像條件有關(guān)，例如低光照、陰影和低紋理環(huán)境。此外，由于視覺里程計(jì)是基于相對(duì)測(cè)量的，因此也存在誤差累積引起的漂移問題。提出了視覺里程計(jì)的缺點(diǎn)和慣性里程計(jì)?；旧希琕IO將單個(gè)或多個(gè)攝像頭捕捉到的視覺數(shù)據(jù)與IMU傳感器提供的慣性測(cè)量值進(jìn)行融合，以確定車輛的位置和方向。最先進(jìn)的VIO方法可以分為松耦合和緊耦合。

三維點(diǎn)云論文及相關(guān)應(yīng)用分享

【點(diǎn)云論文速讀】基于激光雷達(dá)的里程計(jì)及3D點(diǎn)云地圖中的定位方法

3D目標(biāo)檢測(cè)：MV3D-Net

三維點(diǎn)云分割綜述（上）

3D-MiniNet: 從點(diǎn)云中學(xué)習(xí)2D表示以實(shí)現(xiàn)快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實(shí)現(xiàn)點(diǎn)云可視化GUI

JSNet：3D點(diǎn)云的聯(lián)合實(shí)例和語義分割

大場(chǎng)景三維點(diǎn)云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規(guī)模點(diǎn)云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云標(biāo)記

點(diǎn)云的超體素(SuperVoxel)

基于超點(diǎn)圖的大規(guī)模點(diǎn)云分割

更多文章可查看：點(diǎn)云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動(dòng)泊車系統(tǒng)中的語義SLAM

【點(diǎn)云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機(jī)

AR設(shè)備單目視覺慣導(dǎo)SLAM算法綜述與評(píng)價(jià)

SLAM綜述(4)激光與視覺融合SLAM

Kimera實(shí)時(shí)重建的語義SLAM系統(tǒng)

SLAM綜述(3)-視覺與慣導(dǎo)，視覺與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

SLAM綜述之Lidar SLAM

基于魚眼相機(jī)的SLAM方法介紹