高翔博士分享：?jiǎn)文縎LAM在移動(dòng)端應(yīng)用的實(shí)現(xiàn)難點(diǎn)有哪些？

提綱如下：

單目SLAM難點(diǎn)

視覺(jué)SLAM難點(diǎn)

可能的解決思路

圖片中非原創(chuàng)部分均已加引用，請(qǐng)勿盜圖，轉(zhuǎn)載請(qǐng)私信告知。

單目slam的障礙來(lái)自于理論和實(shí)踐兩個(gè)方面。理論障礙可以看做是固有的，無(wú)法通過(guò)硬件選型或軟件算法來(lái)解決的，例如單目初始化和尺度問(wèn)題。實(shí)踐問(wèn)題包括計(jì)算量，視野等，可以依靠選型、算法、軟件設(shè)計(jì)等方法來(lái)優(yōu)化。不過(guò)在同等硬件水平下，優(yōu)化也存在極限的。比如對(duì)O(1)的算法不滿意從而設(shè)計(jì)O(1/n)的算法似乎是不可能的……

單目SLAM難點(diǎn)

單目的優(yōu)點(diǎn)是成本低，最大的局限性是測(cè)不到空間物體的距離，只有一個(gè)圖像。所以早期視覺(jué)SLAM也被稱為“只有角度的SLAM”（Bearing Only）。距離在定位中至關(guān)重要，雙目和RGBD相機(jī)的使用就是為了能夠計(jì)算（或測(cè)量）這個(gè)距離。上一個(gè)圖你們直觀體會(huì)一下距離的重要性：

很顯然，沒(méi)有距離信息，我們不知道一個(gè)東西的遠(yuǎn)近——所以也不知道它的大小。它可能是一個(gè)近處但很小的東西，也可能是一個(gè)遠(yuǎn)處但很大的東西。只有一張圖像時(shí)，你沒(méi)法知道物體的實(shí)際大小——我們稱之為尺度（Scale）。

可以說(shuō)，單目的局限性主要在于我們沒(méi)法確定尺度，而在雙目視覺(jué)、RGBD相機(jī)中，距離是可以被測(cè)量到的（當(dāng)然測(cè)量也有一定的量程和精度限制）。雙目視覺(jué)和人眼類似，通過(guò)左右眼圖像的差異來(lái)計(jì)算距離——也就是所謂的立體視覺(jué)（Stereo）。RGBD則是把（通常是紅外）光投射到物體表面，再測(cè)量反射的信息來(lái)計(jì)算距離的。具體原理分結(jié)構(gòu)光和ToF兩種，在此不多做解釋，還是上圖直觀感受一下。

距離未知導(dǎo)致單目SLAM存在以下問(wèn)題：

需要初始化

尺度不確定

尺度漂移

而一旦我們擁有了距離信息，上述幾條就都不是問(wèn)題，這也是雙目和RGBD存在的意義。下面分別講一下以上幾條。

---------------我是分割線-----------------

1.1 初始化

單目SLAM剛開(kāi)始時(shí)，只有圖像間的信息，沒(méi)有三維空間的信息。于是一個(gè)基本問(wèn)題就是：怎么通過(guò)兩張圖像確定相機(jī)自身運(yùn)動(dòng)，并且確定像素點(diǎn)的距離。這個(gè)問(wèn)題稱為單目SLAM初始化問(wèn)題。一般是通過(guò)匹配圖像特征來(lái)完成的。

匹配好的特征點(diǎn)給出了一組2D-2D像素點(diǎn)的對(duì)應(yīng)關(guān)系，但由于是單目，沒(méi)有距離信息。初始化的意義是求取兩個(gè)圖像間的運(yùn)動(dòng)和特征點(diǎn)距離，所以初始化完畢后你就知道這些特征點(diǎn)的3D位置了。后續(xù)的相機(jī)運(yùn)動(dòng)就可以通過(guò)3D點(diǎn)-2D點(diǎn)的匹配信息來(lái)估計(jì)。后續(xù)的問(wèn)題叫PnP（Perspective n Point）。

對(duì)，你想的沒(méi)錯(cuò)，單目的流程就是：初始化——PnP——PnP——……

初始化的運(yùn)動(dòng)是通過(guò)對(duì)極幾何來(lái)求解的，結(jié)構(gòu)是由三角測(cè)量得到的。初始化問(wèn)題是一個(gè)2D-2D求運(yùn)動(dòng)和結(jié)構(gòu)的問(wèn)題，比3D-2D的PnP要難（信息更少，更不確定）。我不展開(kāi)對(duì)極幾何求運(yùn)動(dòng)的原理，但是理解它，對(duì)理解單目局限性是很有幫助的。如題主感興趣，請(qǐng)看Multiple View Geometry第8章。如果在知乎上寫(xiě)，會(huì)占掉很大的篇幅。

對(duì)極幾何最終會(huì)分解一個(gè)本質(zhì)矩陣（Essential Matrix）（或基本矩陣（Fundametal Matrix））來(lái)得到相機(jī)運(yùn)動(dòng)。但分解的結(jié)果中，你會(huì)發(fā)現(xiàn)對(duì)平移量乘以任意非零常數(shù)，仍滿足對(duì)極約束。直觀地說(shuō)，把運(yùn)動(dòng)和場(chǎng)景同時(shí)放大任意倍數(shù)，單目相機(jī)仍會(huì)觀察到同樣的圖像！這種做法在電影里很常見(jiàn)。例用用相機(jī)近距離拍攝建筑模型，影片看起來(lái)就像在真實(shí)的高樓大廈一樣（比如奧特曼打怪獸實(shí)際是兩個(gè)穿著特?cái)z服裝的演員，多么無(wú)情的現(xiàn)實(shí)）。

這個(gè)事實(shí)稱為單目的尺度不確定性（Scale Ambiguity）。所以，我們會(huì)把初始化的平移當(dāng)作單位1，而之后的運(yùn)動(dòng)和場(chǎng)景，都將以初始化時(shí)的平移為單位。然而這個(gè)單位具體是多少，我們不知道（攤手）。并且，在初始化分解本質(zhì)矩陣時(shí)，平移和旋轉(zhuǎn)是乘在一起的。如果初始化時(shí)只有旋轉(zhuǎn)而沒(méi)有平移，初始化就失敗了——所以業(yè)界有種說(shuō)法，叫做“看著一個(gè)人端相機(jī)的方式，就知道這個(gè)人有沒(méi)有研究過(guò)SLAM”。有經(jīng)驗(yàn)的人會(huì)盡量帶平移，沒(méi)經(jīng)驗(yàn)的都是原地打轉(zhuǎn)……

所以，從應(yīng)用上來(lái)說(shuō)，單目需要一個(gè)帶平移的初始化過(guò)程，且存在尺度不確定問(wèn)題，這是它理論上的障礙。

員工：老板你這樣移動(dòng)相機(jī)不行啊，要有平移的……

老板：我花20k請(qǐng)你來(lái)做slam，一個(gè)初始化都搞不定？

1.2 結(jié)構(gòu)問(wèn)題

由于單目沒(méi)有距離信息，所有特征點(diǎn)在第一次出現(xiàn)時(shí)都只有一個(gè)2d投影，實(shí)際的位置可能出現(xiàn)在光心與投影連線的任意一處。只有在相機(jī)運(yùn)動(dòng)起來(lái)以后，才可能通過(guò)三角測(cè)量，估計(jì)特征點(diǎn)的距離。

三角測(cè)量的應(yīng)用范圍很廣，傳說(shuō)高斯在十幾歲的時(shí)候就已經(jīng)用最小二乘法測(cè)量山的距離，來(lái)吊打這些二十大幾還在水paper的博士們?，F(xiàn)代天文學(xué)測(cè)星星的距離也使用三角測(cè)量。

然而三角測(cè)量的前提是——你得有三角啊。

高斯用三角測(cè)量是站在兩座山上去量另一座，這就構(gòu)成了三角。雙目視覺(jué)左右兩個(gè)相機(jī)，存在一定的平移，和目標(biāo)點(diǎn)也構(gòu)成了三角。但在單目情形下，你必須移動(dòng)相機(jī)之后，才可能去估計(jì)空間點(diǎn)的3D位置。換句話說(shuō)，如果相機(jī)擺在那兒不動(dòng)——就沒(méi)有三角了。這導(dǎo)致單目在機(jī)器人避障中應(yīng)用存在困難，不過(guò)既然在談AR我們就先不說(shuō)機(jī)器人吧。

1.3 尺度漂移

用單目估計(jì)出來(lái)的位移，與真實(shí)世界相差一個(gè)比例，叫做尺度。這個(gè)比例在初始化時(shí)確定，但單純靠視覺(jué)無(wú)法確定這個(gè)比例到底有多大。進(jìn)而，由于SLAM過(guò)程中噪聲的影響，這個(gè)比例還不是固定不變的。當(dāng)你用單目SLAM，會(huì)發(fā)現(xiàn)，咦怎么跑著跑著地圖越來(lái)越小了……

這種現(xiàn)象在當(dāng)前state-of-the-art的單目開(kāi)源方案出亦會(huì)出現(xiàn)，修正方法是通過(guò)回環(huán)檢測(cè)。但是有沒(méi)有出現(xiàn)回環(huán)，則要看實(shí)際的運(yùn)動(dòng)方式。所以……

員工：老板你這樣移動(dòng)相機(jī)不行啊，要經(jīng)常把它移回去……

老板：我花20k請(qǐng)你來(lái)做slam，怎么搞的地圖一會(huì)兒大一會(huì)兒小，這怎么用？

---------------我是分割線-----------------

視覺(jué)SLAM的困難

雙目相機(jī)和RGBD相機(jī)能夠測(cè)量深度數(shù)據(jù)，于是就不存在初始化和尺度上的問(wèn)題了。但是，整個(gè)視覺(jué)SLAM的應(yīng)用中，存在一些共同的困難，主要包括以下幾條：

相機(jī)運(yùn)動(dòng)太快

相機(jī)視野不夠

計(jì)算量太大

遮擋

特征缺失

動(dòng)態(tài)物體或光源干擾

2.1 運(yùn)動(dòng)太快

運(yùn)動(dòng)太快可能導(dǎo)致相機(jī)圖像出現(xiàn)運(yùn)動(dòng)模糊，成像質(zhì)量下降。傳統(tǒng)卷簾快門(mén)式的相機(jī)，在運(yùn)動(dòng)較快時(shí)將產(chǎn)生明顯的模糊現(xiàn)象。不過(guò)現(xiàn)在我們有全局快門(mén)的相機(jī)了，即使動(dòng)起來(lái)也不會(huì)模糊的相機(jī)，只是價(jià)格貴一些。

（你真以為啥圖都可以用來(lái)SLAM嗎？拿衣服啊，圖片來(lái)自TUM數(shù)據(jù)集）

（全局快門(mén)相機(jī)在拍攝高速運(yùn)動(dòng)的物體仍是清晰的，圖片來(lái)自網(wǎng)絡(luò)）

運(yùn)動(dòng)過(guò)快的另一個(gè)結(jié)果就是兩個(gè)圖像的重疊區(qū)（Overlap）不夠，導(dǎo)致沒(méi)法匹配上特征。所以視覺(jué)SLAM中都會(huì)選用廣角、魚(yú)眼、全景相機(jī)，或者干脆多放幾個(gè)相機(jī)。

2.2 相機(jī)視野不夠

如前所述，視野不夠可能導(dǎo)致算法易丟失。畢竟特征匹配的前提是圖像間真的存在共有的特征。

2.3 計(jì)算量太大

基于特征點(diǎn)的SLAM大部分時(shí)間會(huì)花在特征提取和匹配上，所以把這部分代碼寫(xiě)得非常高效是很有幫助的。這里就有很多奇技淫巧可以用了，比如選擇一些容易計(jì)算的特征/并行化/利用指令集/放到硬件上計(jì)算等等，當(dāng)然最直接的就是減少特征點(diǎn)啦。這部分很需要工程上的測(cè)試和經(jīng)驗(yàn)。總而言之特征點(diǎn)的計(jì)算仍然是主要瓶頸所在。要是哪天相機(jī)直接輸出特征點(diǎn)就更好了。

2.4 遮擋

相機(jī)可能運(yùn)動(dòng)到一個(gè)墻角，還存在一些邪惡的開(kāi)發(fā)者刻意地用手去擋住你的相機(jī)。他們認(rèn)為你的視覺(jué)SLAM即使不靠圖像也能順利地工作。這些觀念是毫無(wú)道理的，所以直接無(wú)視他們即可。

2.5 特征缺失、動(dòng)態(tài)光源和人物的干擾

老實(shí)說(shuō)SLAM應(yīng)用還沒(méi)有走到這一步，這些多數(shù)是研究論文關(guān)心的話題（比如直接法）?，F(xiàn)在AR能夠穩(wěn)定地在室內(nèi)運(yùn)行就已經(jīng)很了不起了。

---------------我是分割線-----------------

可能的解決思路

前邊總結(jié)了一些單目視覺(jué)可能碰到的困難。我們發(fā)現(xiàn)大部分問(wèn)題并不能在當(dāng)下的視覺(jué)方案能夠解決的。你或許可以通過(guò)一些工程技巧加速特征匹配的過(guò)程，但像尺度、遮擋之類的問(wèn)題，明顯無(wú)法通過(guò)設(shè)計(jì)軟件來(lái)解決。

所以怎么辦呢？——既然視覺(jué)解決不了，那就靠別的來(lái)解決吧。畢竟一臺(tái)設(shè)備上又不是只有一塊單目相機(jī)。更常見(jiàn)的方案是，用視覺(jué)+IMU的方式做SLAM。

當(dāng)前廣角單目+IMU被認(rèn)為是一種很好的解決方案。它價(jià)格比較低廉，IMU能在以下幾點(diǎn)很好地幫助視覺(jué)SLAM：

IMU能幫單目確定尺度

IMU能測(cè)量快速的運(yùn)動(dòng)

IMU在相機(jī)被遮擋時(shí)亦能提供短時(shí)間的位姿估計(jì)

所以不管在理論還是應(yīng)用上，都出現(xiàn)了一些單目+IMU的方案[2,3,4]。眾所周知的Tango和Hololens亦是IMU+單目/多目的定位方式。

（用Tango玩MC，缺點(diǎn)是蓋的房子尺寸和真實(shí)世界一樣。蓋二樓你就得真跑到樓上去蓋——這怎么造圓明園？）

（這貨就是靠后邊這魚(yú)眼+IMU做跟蹤的）

（Hololens圖就不上了吧……橫豎也不是自己的）