Visual SLAM

Visual SLAM

追求直接SLAM技术，而不是使用关键点，直接操作图像强度的跟踪和映射。

作为直接方法，LSD-SLAM使用图像中的所有信息，包括边缘，而基于关键点的方法只能在拐角处使用小块。这将导致在纹理稀疏的环境（如室内）中获得更高的精度和更强的鲁棒性，以及更密集的三维重建。此外，由于提出的piselwise深度滤波器包含许多小基线立体比较，而不是只有很少的大基线帧，因此离群值要少得多。

单目和立体相机的直接SLAM

LSD-SLAM是单目和立体相机的直接SLAM技术。使用直接图像对齐来跟踪相机，而几何体则以半密集深度图的形式进行估计，该深度图是通过对多个像素级立体比较进行滤波获得的。然后，构建一个关键帧的Sim（3）姿势图，它允许构建包括循环闭包在内的大规模漂移校正地图。

LSD-SLAM：大规模直接单目SLAM

LSD-SLAM是一种新颖的、直接的单目SLAM技术：它不使用关键点，而是直接对图像强度进行跟踪和映射。使用直接图像对齐来跟踪相机，而几何体则以半密集深度图的形式进行估计，该深度图是通过对多个像素级立体比较进行滤波获得的。构建一个关键帧的Sim（3）姿势图，允许构建包括循环闭包在内的大规模漂移校正地图。LSD-SLAM在CPU上实时运行，甚至在现代智能手机上。

Building a global map

LSD-SLAM构建关键帧的姿势图，每个关键帧都包含一个估计的半密集深度贴图。利用一种新的直接图像对齐方法，直接跟踪关键帧（即刚体运动+尺度）之间的Sim（3）约束，建立姿态图并进行优化。该公式可以检测和校正大环闭合后的大尺度漂移，并处理同一地图内的大尺度变化。

RGB-D相机的直接SLAM

对于带有RGB-D相机的SLAM（RGB-D SLAM），开发了一种方法，该方法还使用直接图像对齐来跟踪相机。优化关键帧的SE（3）位姿图以找到全局一致的轨迹和图像对齐。

RGB-D视觉

在过去的几年里，像微软Kinect或华硕Xtion传感器这样既能提供彩色图像又能提供密集深度图像的新型相机系统变得很容易获得。人们对这种系统将在机器人技术和视觉及增强现实领域推动基于三维感知的新应用抱有很大的期望。

特别感兴趣的是使用RGB-D传感器进行三维映射和定位、路径规划、自主导航、目标识别和人员跟踪。

针对RGB-D相机，提出了一种稠密视觉SLAM方法，该方法可以最小化所有像素上的光度和深度误差。与稀疏的、基于特征的方法相比，使得能够更好地利用图像数据中的可用信息，从而提高姿态精度。此外，提出了一种基于熵的相似性度量方法，用于关键帧选择和环路闭合检测。从所有成功的匹配中，构建了一个使用g2o框架进行优化的图。在公开的基准数据集上进行了广泛的评估，发现在低纹理和低结构的场景中表现良好。与几种最先进的方法直接比较，该方法产生的轨迹误差大大降低。源码开源。