在视觉 SLAM 领域，有著名的EKF/UKF/Particle-SLAM解决方案，如“mono-slam”。
最近，有一个局部捆绑调整方法的方向，例如lsd-slam 或 orb-slam ..
我的问题是：
过滤方式是否还有未来或稳定的用途？在哪些应用中？有什么优点/缺点？
我阅读了这些论文，但未能得出最终答案（主要是出于误解）：
PS：我知道第一个是说Local BA更好，第二个很少提到过滤，所以..就是这样..，是不是Visual-SLAM领域令人敬畏的卡尔曼滤波器的终结？！
问问题
692 次
2 回答
6
不，卡尔曼滤波器仍然有它的用途。尽管“视觉 SLAM：为什么使用滤波器”很有趣，因为它是第一篇（据我所知）进行数学上合理比较的论文，但您应该注意，它仅将捆绑调整与非常具体的卡尔曼滤波器进行比较，例如包括过滤器中的点，而最先进的基于 EKF 的里程计/slam 方法似乎表明这不是一个好主意。此外，您可以争辩说递归卡尔曼滤波器或多或少与捆绑调整相同。
卡尔曼滤波器尽管在某些情况下存在计算缺陷，但其优势在于可以轻松地为您提供不确定性估计。在捆绑调整中获得非局部不确定性并非易事，并且会增加大量开销（例如，参见本文，这实际上是我所知道的捆绑调整中唯一的不确定性传播。）。
卡尔曼滤波器的另一个优点是传感器融合很简单。您或多或少必须将要估计的参数添加到状态向量中。有关在许多应用中实际使用的用于 IMU/视觉融合的最先进的卡尔曼滤波器的示例，请参阅本文。
但是，是的，SLAM 社区有一个明显的趋势，即远离基于卡尔曼的方法，除了特定领域（实验传感器或具有全局协方差是强制性的大型传感器图等），但论据通常有点弱。人们对更好的经验结果喃喃自语，然后引用“视觉 SLAM：为什么要过滤”。我建议您阅读该论文作者的论文。尽管他关于熵的理论论证令人信服，但我仍然认为我们在引用该论文时必须非常谨慎，因为上述过滤器的特殊性。
于 2017-12-25T17:51:51.283 回答
1
不，第二篇论文没有描述 Visual-Slam 中卡尔曼滤波器的终结。卡尔曼滤波器是高斯噪声最大似然估计器的一个特例。我想请您注意第二篇论文的第 4 页第 3 段。在那里，作者应该澄清卡尔曼滤波器和 MAP 都是最大似然估计的扩展。正如所写，这种洞察力只是隐含的。
于 2017-12-25T17:24:13.453 回答