到目前為止，室內的視覺SLAM仍處于研究階段，遠未到實際應用的程度。一方面，編寫和使用視覺SLAM需要大量的專業知識，算法的實時性未達到實用要求；另一方面，視覺SLAM生成的地圖（多數是點云）還不能用來做機器人的路徑規劃，需要科研人員進一步的探索和研究。以下，我會介紹SLAM的歷史、理論以及實現的方式，且主要介紹視覺（Kinect）的實現方式。

??

1.前言

開始做SLAM（機器人同時定位與建圖）研究已經近一年了。從一年級開始對這個方向產生興趣，到現在為止，也算是對這個領域有了大致的了解。然而越了解，越覺得這個方向難度很大。總體來講有以下幾個原因：

入門資料很少。雖然國內也有不少人在做，但這方面現在沒有太好的入門教程。《SLAM for dummies》可以算是一篇。中文資料幾乎沒有。

SLAM研究已進行了三十多年，從上世紀的九十年代開始。其中又有若干歷史分枝和爭論，要把握它的走向就很費工夫。

難以實現。SLAM是一個完整的系統，由許多個分支模塊組成。現在經典的方案是“圖像前端，優化后端，閉環檢測”的三部曲，很多文獻看完了自己實現不出來。

自己動手編程需要學習大量的先決知識。首先你要會C和C++，網上很多代碼還用了11標準的C++。第二要會用Linux。第三要會cmake，vim/emacs及一些編程工具。第四要會用openCV, PCL, Eigen等第三方庫。只有學會了這些東西之后，你才能真正上手編一個SLAM系統。如果你要跑實際機器人，還要會ROS。

當然，困難多意味著收獲也多，坎坷的道路才能鍛煉人（比如說走著走著才發現Linux和C++才是我的真愛之類的。）鑒于目前網上關于視覺SLAM的資料極少，我于是想把自己這一年多的經驗與大家分享一下。說的不對的地方請大家批評指正。

這篇文章關注視覺SLAM，專指用攝像機，Kinect等深度像機來做導航和探索，且主要關心室內部分。到目前為止，室內的視覺SLAM仍處于研究階段，遠未到實際應用的程度。一方面，編寫和使用視覺SLAM需要大量的專業知識，算法的實時性未達到實用要求；另一方面，視覺SLAM生成的地圖（多數是點云）還不能用來做機器人的路徑規劃，需要科研人員進一步的探索和研究。以下，我會介紹SLAM的歷史、理論以及實現的方式，且主要介紹視覺（Kinect）的實現方式。

2.SLAM問題

SLAM，全稱叫做Simultaneous Localization and Mapping，中文叫做同時定位與建圖。啊不行，這么講下去，這篇文章肯定沒有人讀，所以我們換一個講法。

3.小蘿卜的故事

從前，有一個機器人叫“小蘿卜”。它長著一雙烏黑發亮的大眼睛，叫做Kinect。有一天，它被邪惡的科學家關進了一間空屋子，里面放滿了雜七雜八的東西。

小蘿卜感到很害怕，因為這個地方他從來沒來過，一點兒也不了解。讓他感到害怕的主要是三個問題：

1.自己在哪里？

2.這是什么地方？

3.怎么離開這個地方？

在SLAM理論中，第一個問題稱為定位(Localization)，第二個稱為建圖(Mapping)，第三個則是隨后的路徑規劃。我們希望借助Kinect工具，幫小蘿卜解決這個難題。各位同學有什么思路呢？

4.Kinect數據

要打敗敵人，首先要了解你的武器。不錯，我們先介紹一下Kinect。眾所周知這是一款深度相機，你或許還聽說過別的牌子，但Kinect的價格便宜，測量范圍在3m-12m之間，精度約3cm，較適合于小蘿卜這樣的室內機器人。它采到的圖像是這個樣子的（從左往右依次為rgb圖，深度圖與點云圖）：

Kinect的一大優勢在于能比較廉價地獲得每個像素的深度值，不管是從時間上還是從經濟上來說。OK，有了這些信息，小蘿卜事實上可以知道它采集到的圖片中，每一個點的3d位置。只要我們事先標定了Kinect，或者采用出廠的標定值。

我們把坐標系設成這個樣子，這也是openCV中采用的默認坐標系。

o’-uv是圖片坐標系，o-xyz是Kinect的坐標系。假設圖片中的點為(u,v)，對應的三維點位置在(x,y,z)，那么它們之間的轉換關系是這樣的：

左側的s為尺度因子，表示從相機光心出去的射線都會落在成像平面的同一個點上。如果我們不知道該點的距離，那么s就是一個自由變量。但在RGB-D相機中，我們在Depth圖中知道了這個距離，它的讀數dep(u,v)與真實距離相差一個倍數。如果也記作s，那么：

后一個公式給出了計算三維點的方法。先從深度圖中讀取深度數據（Kinect給的是16位無符號整數），除掉z方向的縮放因子，這樣你就把一個整數變到了以米為單位的數據。然后，x,y用上面的公式算出。一點都不難，就是一個中心點位置和一個焦距而已。f代表焦距，c代表中心。如果你沒有自己標定你的Kinect，也可以采用默認的值：s=5000, cx = 320, cy=240, fx=fy=525。實際值會有一點偏差，但不會太大。

5.定位問題

知道了Kinect中每個點的位置后，接下來我們要做的，就是根據兩幀圖像間的差別計算小蘿卜的位移。比如下面兩張圖，后一張是在前一張之后1秒采集到的：

你肯定可以看出，小蘿卜往右轉過了一定的角度。但究竟轉過多少度呢？這就要靠計算機來求解了。這個問題稱為相機相對姿態估計，經典的算法是ICP（Iterative Closest Point，迭代最近點）。這個算法要求知道這兩個圖像間的一組匹配點，說的通俗點，就是左邊圖像哪些點和右邊是一樣的。你當然看見那塊黑白相間的板子同時出現在兩張圖像中。在小蘿卜看來，這里牽涉到兩個簡單的問題：特征點的提取和匹配。

如果你熟悉計算機視覺，那你應該聽說過SIFT, SURF之類的特征。不錯，要解決定位問題，首先要得到兩張圖像的一個匹配。匹配的基礎是圖像的特征，下圖就是SIFT提取的關鍵點與匹配結果：

對實現代碼感興趣的同學請Google“opencv匹配”即可，在openCV的教程上也有很明白的例子。上面的例子可以看出，我們找到了一些匹配，但其中有些是對的（基本平等的匹配線），有些是錯的。這是由于圖像中存在周期性出現的紋理（黑白塊），所以容易搞錯。但這并不是問題，在接下來的處理中我們會將這些影響消去。

得到了一組匹配點后，我們就可以計算兩個圖像間的轉換關系，也叫PnP問題。它的模型是這樣的：

[uv]=C(Rp+t)(1)(1)[uv]=C(Rp+t)

R為相機的姿態，C為相機的標定矩陣。R是不斷運動的，而C則是隨著相機做死的。ICP的模型稍有不同，但原理上也是計算相機的姿態矩陣。原則上，只要有四組匹配點，就可以算這個矩陣。你可以調用openCV的SolvePnPRANSAC函數或者PCL的ICP算法來求解。openCV提供的算法是RANSAC（Random Sample Consensus，隨機采樣一致性）架構，可以剔除錯誤匹配。所以代碼實際運行時，可以很好地找到匹配點。

有同學會說，那只要不斷匹配下去，定位問題不就解決了嗎？表面上看來，的確是這樣的，只要我們引入一個關鍵幀的結構（發現位移超過一個固定值時，定義成一個關鍵幀）。然后，把新的圖像與關鍵幀比較就行了。至于建圖，就是把這些關鍵幀的點云拼起來，看著還有模有樣，煞有介事的：

1－200幀的匹配結果

然而，如果事情真這么簡單，SLAM理論就不用那么多人研究三十多年了（它是從上世紀90年代開始研究的）（上面講的那些東西簡直隨便哪里找個小碩士就能做出來……）。那么，問題難在什么地方呢？

6.SLAM端優化理論

最麻煩的問題，就是“噪聲”。這種漸近式的匹配方式，和那些慣性測量設備一樣，存在著累積噪聲。因為我們在不斷地更新關鍵幀，把新圖像與最近的關鍵幀比較，從而獲得機器人的位移信息。但是你要想到，如果有一個關鍵幀出現了偏移，那么剩下的位移估計都會多出一個誤差。這個誤差還會累積，因為后面的估計都基于前面的機器人位置……哇！這后果簡直不堪設想啊（例如，你的機器人往右轉了30度，再往左轉了30度回到原來的位置。然而由于誤差，你算成了向右轉29度，再向左轉31度，這樣你構建的地圖中，會出現初始位置的兩個“重影”）。我們能不能想辦法消除這個該死的誤差呢？

朋友們，這才是SLAM的研究，前面的可以說是“圖像前端”的處理方法。我們的解決思路是：如果你和最近的關鍵幀相比，會導致累計誤差。那么，我們最好是和更前面的關鍵幀相比，而且多比較幾個幀，不要只比較一次。

我們用數學來描述這個問題。設：

不要怕，只有借助數學才能把這個問題講清楚。上面的公式中，xp是機器人小蘿卜的位置，我們假定由n個幀組成。xL則是路標，在我們的圖像處理過程中就是指SIFT提出來的關鍵點。如果你做2D SLAM，那么機器人位置就是x, y加一個轉角theta。如果是3D SLAM，就是x,y,z加一個四元數姿態（或者rpy姿態）。這個過程叫做參數化（Parameterization）。

不管你用哪種參數，后面兩個方程你都需要知道。前一個叫運動方程，描述機器人怎樣運動。u是機器人的輸入，w是噪聲。這個方程最簡單的形式，就是你能通過什么方式（碼盤等）獲得兩幀間的位移差，那么這個方程就直接是上一幀與u相加即得。另外，你也可以完全不用慣性測量設備，這樣我們就只依靠圖像設備來估計，這也是可以的。

后一個方程叫觀測方程，描述那些路標是怎么來的。你在第i幀看到了第j個路標，產生了一個測量值，就是圖像中的橫縱坐標。最后一項是噪聲。偷偷告訴你，這個方程形式上和上一頁的那個方程是一模一樣的。

在求解SLAM問題前，我們要看到，我們擁有的數據是什么？在上面的模型里，我們知道的是運動信息u以及觀測z。用示意圖表示出來是這樣的：

我們要求解的，就是根據這些u和z，確定所有的xp和xL。這就是SLAM問題的理論。從SLAM誕生開始科學家們就一直在解決這個問題。最初，我們用Kalman濾波器，所以上面的模型（運動方程和觀測方程）被建成這個樣子。直到21世紀初，卡爾曼濾波器仍在SLAM系統占據最主要的地位，Davison經典的單目SLAM就是用EKF做的。但是后來，出現了基于圖優化的SLAM方法，漸漸有取而代之的地位[1]。我們在這里不介紹卡爾曼濾波器，有興趣的同學可以在wiki上找卡爾曼濾波器，另有一篇中文的《卡爾曼濾波器介紹》也很棒。由于濾波器方法存儲n個路標要消耗n平方的空間，在計算量上有點對不住大家。盡管08年有人提出分治法的濾波器能把復雜度弄到O(n) [2]，但實現手段比較復雜。我們要介紹那種新興的方法:Graph-based SLAM。

圖優化方法把SLAM問題做成了一個優化問題。學過運籌學的同學應該明白，優化問題對我們有多么重要。我們不是要求解機器人的位置和路標位置嗎？我們可以先做一個猜測，猜想它們大概在什么地方。這其實是不難的。然后呢，將猜測值與運動模型／觀測模型給出的值相比較，可以算出誤差：

通俗一點地講，例如，我猜機器人第一幀在(0,0,0)，第二幀在(0,0,1)。但是u1告訴我機器人往z方向（前方）走了0.9米，那么運動方程就出現了0.1m的誤差。同時，第一幀中機器人發現了路標1，它在該機器人圖像的正中間；第二幀卻發現它在中間偏右的位置。這時我們猜測機器人只是往前走，也是存在誤差的。至于這個誤差是多少，可以根據觀測方程算出來。

我們得到了一堆誤差，把這些誤差平方后加起來（因為單純的誤差有正有負，然而平方誤差可以改成其他的范數，只是平方更常用），就得到了平方誤差和。我們把這個和記作phi，就是我們優化問題的目標函數。而優化變量就是那些個xp, xL。

改變優化變量，誤差平方和（目標函數）就會相應地變大或變小，我們可以用數值方法求它們的梯度和二階梯度矩陣，然后用梯度下降法求最優值。這些東西學過優化的同學都懂的。

注意到，一次機器人SLAM過程中，往往會有成千上萬幀。而每一幀我們都有幾百個關鍵點，一乘就是幾百萬個優化變量。這個規模的優化問題放到小蘿卜的機載小破本上可解嗎？是的，過去的同學都以為，Graph-based SLAM是無法計算的。但就在21世紀06，07年后，有些同學發現了，這個問題規模沒有想象的那么大。上面的J和H兩個矩陣是“稀疏矩陣”，于是呢，我們可以用稀疏代數的方法來解這個問題。“稀疏”的原因，在于每一個路標，往往不可能出現在所有運動過程中，通常只出現在一小部分圖像里。正是這個稀疏性，使得優化思路成為了現實。

優化方法利用了所有可以用到的信息（稱為full-SLAM, global SLAM），其精確度要比我們一開始講的幀間匹配高很多。當然計算量也要高一些。

由于優化的稀疏性，人們喜歡用“圖”來表達這個問題。所謂圖，就是由節點和邊組成的東西。我寫成G={V,E}，大家就明白了。V是優化變量節點，E表示運動/觀測方程的約束。什么，更糊涂了嗎？那我就上一張圖，來自[3]。

圖有點模糊，而且數學符號和我用的不太一樣，我用它來給大家一個圖優化的直觀形象。上圖中，p是機器人位置，l是路標，z是觀測，t是位移。其中呢，p, l是優化變量，而z,t是優化的約束。看起來是不是像一些彈簧連接了一些質點呢？因為每個路標不可能出現在每一幀中，所以這個圖是蠻稀疏的。不過，“圖”優化只是優化問題的一個表達形式，并不影響優化的含義。實際解起來時還是要用數值法找梯度的。這種思路在計算機視覺里，也叫做Bundle Adjustment。

不過，BA的實現方法太復雜，不太建議同學們拿C來寫。好在2010年的ICRA上，其他的同學們提供了一個通用的開發包：g2o [5]。它是有圖優化通用求解器，很好用，我改天再詳細介紹這個軟件包。總之，我們只要把觀測和運動信息丟到求解器里就行。這個優化器會為我們求出機器人的軌跡和路標位置。如下圖，紅點是路標，藍色箭頭是機器人的位置和轉角（2D SLAM）。細心的同學會發現它往右偏轉了一些。：

7.閉環檢測

上面提到，僅用幀間匹配最大的問題在于誤差累積，圖優化的方法可以有效地減少累計誤差。然而，如果把所有測量都丟進g2o，計算量還是有點兒大的。根據我自己測試，約10000多條邊，g2o跑起來就有些吃力了。這樣，就有同學說，能把這個圖構造地簡潔一些嗎？我們用不著所有的信息，只需要把有用的拿出來就行了。

事實上，小蘿卜在探索房間時，經常會左轉一下，右轉一下。如果在某個時刻他回到了以前去過的地方，我們就直接與那時候采集的關鍵幀做比較，可以嗎？我們說，可以，而且那是最好的方法。這個問題叫做閉環檢測。

閉環檢測是說，新來一張圖像時，如何判斷它以前是否在圖像序列中出現過？有兩種思路：一是根據我們估計的機器人位置，看是否與以前某個位置鄰近；二是根據圖像的外觀，看它是否和以前關鍵幀相似。目前主流方法是后一種，因為很多科學家認為前一種依靠有噪聲的位置來減少位置的噪聲，有點循環論證的意思。后一種方法呢，本質上是個模式識別問題（非監督聚類，分類），常用的是Bag-of-Words (BOW)。但是BOW需要事先對字典進行訓練，因此SLAM研究者仍在探討有沒有更合適的方法。

在Kinect SLAM經典大作中[6]，作者采用了比較簡單的閉環方法：在前面n個關鍵幀中隨機采k個，與當前幀兩兩匹配。匹配上后認為出現閉環。這個真是相當的簡單實用，效率也過得去。

高效的閉環檢測是SLAM精確求解的基礎。這方面還有很多工作可以做。