同步定位和地圖構(gòu)建（SLAM）是移動機器人環(huán)境感知和導(dǎo)航過程中的重要任務(wù)，一直是計算機視覺和機器人學(xué)領(lǐng)域中的研究熱點。隨著移動機器人技術(shù)和視覺技術(shù)的發(fā)展和應(yīng)用，近年來涌現(xiàn)出了一大批優(yōu)秀的研究，各式各樣的SLAM系統(tǒng)先后被提出，主要包括單目、多目、多傳感器融合等基于不同傳感器類型的SLAM系統(tǒng)（深度相機、激光、立體視覺和融合慣性導(dǎo)航等方法），還包括基于不同原理的關(guān)鍵點法、（半）直接法、稀疏法稠密法等SLAM系統(tǒng)（可分為基于關(guān)鍵點法、直接法和半直接法）以及基于學(xué)習(xí)的SLAM系統(tǒng)。

SLAM可以為移動機器人導(dǎo)航、室內(nèi)定位和室內(nèi)地圖的構(gòu)建提供強大的技術(shù)支撐，比如機器人、無人機（UAV），自動駕駛汽車以及虛擬和增強現(xiàn)實。

雖然SLAM領(lǐng)域發(fā)展迅速，缺乏統(tǒng)一的結(jié)構(gòu)框架來整合SLAM的各個子系統(tǒng)，大多數(shù)研究人員專注于他們自己的SLAM系統(tǒng)的理論和實現(xiàn)，使得這一領(lǐng)域的代碼復(fù)用和工程實踐進展較慢，很多研究人員依然受到了重復(fù)造輪子的困擾，這阻礙了SLAM技術(shù)迭代發(fā)展和工業(yè)化的實際應(yīng)用。 此外，對算法的基準(zhǔn)評估和魯棒性分析也是研究過程中的重要內(nèi)容，亟待研究人員們達成共識攜手前行。

為了整合這一領(lǐng)域的最新研究、構(gòu)建SLAM領(lǐng)域的通用化框架系統(tǒng)，本文的作者們提出了一個名為GSLAM的新型SLAM平臺，它不僅能提供算法評估功能，而且還能為研究人員提供許多有用的算法快速開發(fā)工具包。其核心貢獻在于提供了一個通用、跨平臺和完全開源（可用于研究和商業(yè)用途）的SLAM交互程序，旨在將數(shù)據(jù)集輸入、SLAM配置、可視化和應(yīng)用的交互在統(tǒng)一框架中實現(xiàn)。同時，這一框架還友好地支持了ROS風(fēng)格使用機制，使得廣泛的機器人研究人員可以很容易的上手進行操作。

GSLAM核心工作是提供了通用的SLAM界面和框架。為了在使用不同數(shù)據(jù)集、SLAM算法和應(yīng)用的時候獲得更好的體驗，界面設(shè)計輕量級，用到的頭文件僅依賴于C ++ 11標(biāo)準(zhǔn)庫。通過這個平臺，用戶可以通過插件的形式直接調(diào)用一些常用函數(shù)，也可以創(chuàng)建自己定義的函數(shù)。此外，作者還提供了JavaScript和Python接口，來使用基于Web和基于深度學(xué)習(xí)的SLAM應(yīng)用程序 。軟件和界面主要處理三部分信息的交互：

a. 數(shù)據(jù)輸入，包含一些傳感器數(shù)據(jù)及其使用參數(shù)；

b. SLAM算法實現(xiàn)，基于事先定義好的通用類，研發(fā)人員可以快速調(diào)用，并修改定義自己的核心算法；

c. 可視化和結(jié)果應(yīng)用，默認使用Qt可視化，用戶也可以配置其它框架，以標(biāo)準(zhǔn)格式輸出算法結(jié)果。

圖1 GSLAM的框架圖

其中，數(shù)據(jù)插件集成主流的VO、SLAM數(shù)據(jù)集，包括KITTI，TUM，EuRoC，NPUDrone，CVMono等數(shù)據(jù)集，同時你也可以構(gòu)建自己的數(shù)據(jù)集插件，將自己的數(shù)據(jù)集集成到這一框架中去。

其中，SLAM算法插件提供了SLAM領(lǐng)域流行的優(yōu)秀算法，包括DSO,ORBSLAM，SVO和TheiaSFM等，這些插件可以直接集成到自己的代碼中，研究人員也可以基于這些插件進行進一步研究或者貢獻自己的插件。此外Rviz也被集成到了這一框架中進行可視化交互，讓用戶可以復(fù)用ros中的技能和知識。

由于平移、旋轉(zhuǎn)和相似性變換算法是SLAM中最為常用的基礎(chǔ)變換，這一框架也對這些變換進行了高效的實現(xiàn)，表1中的對比結(jié)果證明了，對于常用的SO(3)、SE(3)和SIM(3)變換方法，基于GSLAM平臺的運行時間要比流行的Sophus, TooN 和Ceres更高效。

表1 GSLAM與三大流行的庫的運行時間對比

作者在GSLAM平臺中實現(xiàn)了三個優(yōu)化模塊作為通用類，以方便研究人員調(diào)用實現(xiàn)自己的SLAM算法，包括估計器Estimator、優(yōu)化器Optimizer和字典Vocabulary。

估計器Estimator，旨在提供一系列的解析求解器，覆蓋通過抽樣一致性算法RANSAC得到的各類情況（如表2所示，包含了2D-2D、2D-3D、3D-3D多種情況），大部分的算法基于開源線性代數(shù)庫Eigen。

優(yōu)化器Optimizer，旨在提供流行的SLAM非線性優(yōu)化問題的統(tǒng)一接口，比如PnP、bundle adjustment和pose graph optimization，一般使用Ceres庫就能解決，當(dāng)然一些高效前沿的算法也提供到了，比如PBA和ICE-BA。

字典Vocabulary，旨在提供用于重定位的高效輕便多線程和SIMD優(yōu)化的詞袋模型，下表展示了GSLAM與其他BoW方法在載入、保存和訓(xùn)練上的效率對比。這一框架中實現(xiàn)的各類特征字典模型性能整體優(yōu)于現(xiàn)有詞袋模型的表現(xiàn)。

為了中和測定這一框架在SLAM領(lǐng)域的性能，研究人員針對四個方面在框架內(nèi)對算法進行了性能評測，下圖中展示了DSO、SVO和ORBSLAM算法運行時每一幀的內(nèi)存使用、分配內(nèi)存數(shù)量、CPU使用和耗時等詳細信息。結(jié)果證明SVO占用了最少的內(nèi)存和CPU資源，耗時最短且很穩(wěn)定，這主要因為它只是一個視覺里程計，只需要維持一個很小的局部地圖，無需進行全局的強計算操作。

DSO、SVO和ORBSLAM計算性能對比圖

此外還測試了三種算法的運行軌跡與Groundtruth的對齊結(jié)果，SVO盡管運行速度快但是漂移較嚴重，ORBSLAM在絕對位姿誤差A(yù)PE指標(biāo)上準(zhǔn)確率最好。其他指標(biāo)的結(jié)果可以在作者論文的supplementary材料中查閱，或在GSLAM中自行嘗試。

圖 DSO、SVO和ORBSLAM運行軌跡對比圖

這個高度集成的SLAM框架已經(jīng)在Github上開源，并且配合了詳細的文檔供大家配合使用。統(tǒng)一的框架有利于研究人員更加專注自己的核心研究，將最先進的算法集成模塊，并便于全世界的開發(fā)者一同貢獻自己的力量，促進SLAM技術(shù)的快速發(fā)展。

正所謂：

眾人拾柴火焰高，前端后端共繁榮。

定位導(dǎo)航大發(fā)展，優(yōu)化回環(huán)樣樣強！

更多代碼請戳：https://github.com/zdzhaoyong/GSLAM

另外兩位主要研究人員的主頁如下，他們在三維視覺重建、機器人等方面有著深入的研究，值得學(xué)習(xí)：

https://github.com/bushuhui

https://shibiaoxu.github.io/