来源丨https://www.zhihu.com/question/50385799/answer/120902345编辑丨计算机视觉life
提纲如下：
单目SLAM难点
视觉SLAM难点
可能的解决思路
图片中非原创部分均已加引用，请勿盗图，转载请私信告知。
单目slam的障碍来自于理论和实践两个方面。理论障碍可以看做是固有的，无法通过硬件选型或软件算法来解决的，例如单目初始化和尺度问题。实践问题包括计算量，视野等，可以依靠选型、算法、软件设计等方法来优化。不过在同等硬件水平下，优化也存在极限的。比如对O(1)的算法不满意从而设计O(1/n)的算法似乎是不可能的……
---------------我是分割线-----------------
单目的优点是成本低，最大的局限性是测不到空间物体的距离，只有一个图像。所以早期视觉SLAM也被称为“只有角度的SLAM”（Bearing Only）。距离在定位中至关重要，双目和RGBD相机的使用就是为了能够计算（或测量）这个距离。上一个图你们直观体会一下距离的重要性：
很显然，没有距离信息，我们不知道一个东西的远近——所以也不知道它的大小。它可能是一个近处但很小的东西，也可能是一个远处但很大的东西。只有一张图像时，你没法知道物体的实际大小——我们称之为尺度（Scale）。
可以说，单目的局限性主要在于我们没法确定尺度，而在双目视觉、RGBD相机中，距离是可以被测量到的（当然测量也有一定的量程和精度限制）。双目视觉和人眼类似，通过左右眼图像的差异来计算距离——也就是所谓的立体视觉（Stereo）。RGBD则是把（通常是红外）光投射到物体表面，再测量反射的信息来计算距离的。具体原理分结构光和ToF两种，在此不多做解释，还是上图直观感受一下。
距离未知导致单目SLAM存在以下问题：
而一旦我们拥有了距离信息，上述几条就都不是问题，这也是双目和RGBD存在的意义。下面分别讲一下以上几条。
---------------我是分割线-----------------
1.1 初始化
单目SLAM刚开始时，只有图像间的信息，没有三维空间的信息。于是一个基本问题就是：怎么通过两张图像确定相机自身运动，并且确定像素点的距离。这个问题称为单目SLAM初始化问题。一般是通过匹配图像特征来完成的。
匹配好的特征点给出了一组2D-2D像素点的对应关系，但由于是单目，没有距离信息。初始化的意义是求取两个图像间的运动和特征点距离，所以初始化完毕后你就知道这些特征点的3D位置了。后续的相机运动就可以通过3D点-2D点的匹配信息来估计。后续的问题叫PnP（Perspective n Point）。
对，你想的没错，单目的流程就是：初始化——PnP——PnP——……
初始化的运动是通过对极几何来求解的，结构是由三角测量得到的。初始化问题是一个2D-2D求运动和结构的问题，比3D-2D的PnP要难（信息更少，更不确定）。我不展开对极几何求运动的原理，但是理解它，对理解单目局限性是很有帮助的。如题主感兴趣，请看Multiple View Geometry第8章。如果在知乎上写，会占掉很大的篇幅。
对极几何最终会分解一个本质矩阵（Essential Matrix）（或基本矩阵（Fundametal Matrix））来得到相机运动。但分解的结果中，你会发现对平移量乘以任意非零常数，仍满足对极约束。直观地说，把运动和场景同时放大任意倍数，单目相机仍会观察到同样的图像！这种做法在电影里很常见。例用用相机近距离拍摄建筑模型，影片看起来就像在真实的高楼大厦一样（比如奥特曼打怪兽实际是两个穿着特摄服装的演员，多么无情的现实）。
这个事实称为单目的尺度不确定性（Scale Ambiguity）。所以，我们会把初始化的平移当作单位1，而之后的运动和场景，都将以初始化时的平移为单位。然而这个单位具体是多少，我们不知道（摊手）。并且，在初始化分解本质矩阵时，平移和旋转是乘在一起的。如果初始化时只有旋转而没有平移，初始化就失败了——所以业界有种说法，叫做“看着一个人端相机的方式，就知道这个人有没有研究过SLAM”。有经验的人会尽量带平移，没经验的都是原地打转……
所以，从应用上来说，单目需要一个带平移的初始化过程，且存在尺度不确定问题，这是它理论上的障碍。
员工：老板你这样移动相机不行啊，要有平移的……
老板：我花20k请你来做slam，一个初始化都搞不定？
1.2 结构问题
由于单目没有距离信息，所有特征点在第一次出现时都只有一个2d投影，实际的位置可能出现在光心与投影连线的任意一处。只有在相机运动起来以后，才可能通过三角测量，估计特征点的距离。
三角测量的应用范围很广，传说高斯在十几岁的时候就已经用最小二乘法测量山的距离，来吊打这些二十大几还在水paper的博士们。现代天文学测星星的距离也使用三角测量。
然而三角测量的前提是——你得有三角啊。
高斯用三角测量是站在两座山上去量另一座，这就构成了三角。双目视觉左右两个相机，存在一定的平移，和目标点也构成了三角。但在单目情形下，你必须移动相机之后，才可能去估计空间点的3D位置。换句话说，如果相机摆在那儿不动——就没有三角了。这导致单目在机器人避障中应用存在困难，不过既然在谈AR我们就先不说机器人吧。
1.3 尺度漂移
用单目估计出来的位移，与真实世界相差一个比例，叫做尺度。这个比例在初始化时确定，但单纯靠视觉无法确定这个比例到底有多大。进而，由于SLAM过程中噪声的影响，这个比♂例还不是固定不变的。当你用单目SLAM，会发现，咦怎么跑着跑着地图越来越小了……
这种现象在当前state-of-the-art的单目开源方案出亦会出现，修正方法是通过回环检测。但是有没有出现回环，则要看实际的运动方式。所以……
员工：老板你这样移动相机不行啊，要经常把它移回去……
老板：我花20k请你来做slam，怎么搞的地图一会儿大一会儿小，这怎么用？
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
发布文章
