论文笔记_SLAM_Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving

目录

1 论文基本信息

2 看本篇论文目的

3 内容简介

3.1 主要内容

4 介绍与问题引出

4.1 车辆定位方式对比

4.1.1 GNSS(Global Navigation Satellite System)

4.1.2 道路基础设施

4.2 定位车辆的意义

4.3 SLAM要解决的问题

4.3.1 SLAM目前面临的问题

5 SLAM典型的解决方案

5.1 Filter-based SLAM

5.1.1 Extended Kalman Filter

5.1.2 Unscented Kalman Filter

5.1.3 Information Filter

5.1.4 Particle Filter

5.2 Optimization-based SLAM

5.2.1 Bundle Adjustment

5.2.2 Graph SLAM

5.3 Filter-based SLAM 对比 Optimization-based SLAM

5.4 一些标准数据集

5.5 KITTI中高排名的算法

5.6 自主驾驶中SLAM的一些评价标准

6 Relocalization and loop closure

6.1 描述与分类

6.2 自动驾驶中，常用“重定位和闭环检测”方法汇总

6.2.1 讨论与总结

6.3 自动驾驶中，在已构建的map中Localization方法汇总

6.3.1 讨论与总结

6.4 自动驾驶中，在现有(或未来)的map的Localization方法汇总

6.4.1 讨论与总结

7 MULTI-VEHICLE SLAM

7.1 概念与分类

7.2 讨论与总结

8 讨论和结论

9 经典论文

9.1 SLAM 综述相关文章

9.2 SLAM问题的发展

9.3 多种传感器融合的方法

9.4 BA算法的经典代表

9.5 Visual Odometry 系统介绍杂志

---

1 论文基本信息

• 出处：IEEE Transactions on Intelligent Vehicles
• 年份：2017年
• 作者：Guillaume Bresson、Zayed Alsayed、Li Yu及Sebastien Glaser
  • Guillaume Bresson Belonging to Universite Blaise Pascal (UBP) in France
  • Li Yu with a degree in aerodynamics engineering from Northwestern Polytechnical University located in Xi’an, China

2 看本篇论文目的

• 探索SLAM技术在自动驾驶系统中的具体应用场景及其实现原理；
• 回答：SLAM技术在智能驾驶中的应用价值主要体现在以下几个方面：
  • 辅助实现高精度定位（尤其在GPS信号受限或缺失的情况下）；
  • 实时信息获取：基于高精度地图实时采集并分析现场路况数据；
  • 为其他车辆提供实时路况参考数据。
• 识别具有研究价值和兴趣的研究方向；
• 扩大知识储备范围的同时鼓励深入探究相关领域细节问题。

3 内容简介

• SLAM, 在自动驾驶趋势下的一个survey。

3.1 主要内容

自动驾驶带来了SLAM领域的全新研究方向；
在SLAM领域中对不同技术分支进行了系统的分类概述；
在自动驾驶场景下分析了传统方法存在的局限性及其适用性标准；
探讨了单体SLAM与多体SLAM在实现原理上的异同点；
总结了在大规模场景下自动驾驶所积累的经验与启示；
最终进行了全面的讨论与总结。

4 介绍与问题引出

SLAM在移动机器人领域，已经有多于25年的历史；

SLAM研究的问题：随之对周围环境增量式的重建，来定位机器人的位置。

4.1 车辆定位方式对比

4.1.1 GNSS(Global Navigation Satellite System)

• 缺点：
• 卫星信号会受到不可预见的大气条件影响；
• 基础设施可能导致其他设备接收卫星信号。
• 优点：
• 在开放的道路环境下 GNSS 性能更优；
• RTK GNSS 定位精度持续提升。
• 感想与对策 -jo：
• GNSS 适合大范围定位需求；
• SLAM 更适合小范围高精度应用。

4.1.2 道路基础设施

• 涵盖道路标线识别与行驶车道检测
  • 该技术现已成为各类 commercial vehicles 的标配配置
    • 然而该方法仅关注车辆在纵向位置上的精确识别
      • 无法应对复杂的城市环境
      • 而在高速公路上则能提供足够的横向定位信息
      • 纵向轴上的定位精度更为关键

4.2 定位车辆的意义

• 它是任何其他预测或flatten任务的基础核心功能。
• 道路的动态变化被预判。
• 决定采取最优策略。

4.3 SLAM要解决的问题

• SLAM框架能够支持任意传感器并采用多种评估手段，在此框架下同时评估车辆位置信息和地图数据。
• 当自动驾驶被视作一个有机体时，则地图成为最为关键的基础要素之一，因为这一层次的地图直接关联着车辆做出决策所需的最基础感知能力。

4.3.1 SLAM目前面临的问题

• 位置估计（localization）往往会随着时间推移而发生漂移（drift）；
• SLAM算法提供的基于图像的位置估计和增量定位在移动距离增大时往往偏离真实轨迹。
• 如果缺乏任何先验知识或绝对信息，则难以实现千米级别内的高精度定位。
• 不同环境条件下所适用的地图精度可能存在显著差异。
• 必须提供足够的信息来确定车辆在不同季节、天气或交通状况下的位置。
• 人们已经探索了许多解决方案来应对上述挑战：
  • 比如，在绘制地图的过程中优先选择具有显著特征的关键点数据以便后续使用；
  • 又比如通过引入新型通信协议来协调不同车辆的数据共享与定位优化

5 SLAM典型的解决方案

• 定位鲁棒性涉及的数据提取过程*
• 通过引用文献[9]的方法实现原始搜索*
• 引用文献[10]的技术实现数据关联*
• 地图存储与更新采用的方法*
• 汽车状态（vehicle state）包括以下详细信息：*
  • 车辆在二维空间中的位置坐标（2D位置）
  • 行驶方向（direction）
  • 完整的三维姿态信息（6D姿态）
  • 瞬时速度
  • 加速度等参数
• 在SLAM问题中存在两种不同的表示方法：*
  • 方法一：full SLAM。基于给定所有的控制输入和测量值，在动态变化中实时计算并估计整个汽车的运动轨迹以及环境地图。然而由于实时计算的复杂度较高，在处理大量变量时会显著增加计算负担。
  • 方法二：online SLAM。通过最新的传感器数据，在不依赖历史记录的前提下直接估计车辆当前位置，并结合环境地图进行动态更新以提高定位精度。

5.1 Filter-based SLAM

该算法基于迭代过程设计，并特别适用于在线SLAM场景。该系统源于贝叶斯滤波框架，并包含两个连续的迭代步骤：首先，在预测阶段（ evolution model），系统利用进化模型（ evolution model）和控制输入信息对车辆的状态和地图进行预测；其次，在校正阶段（ fusion technology），系统将实时传感器数据与当前地图信息匹配，并更新之前的预测结果；通过增量式数据融合技术（ incremental data fusion），在线估算车辆的姿态信息以及动态环境的地图特征。

5.1.1 Extended Kalman Filter

该方法假设数据受到高斯噪声的影响，在实际情况下其假设并不一定成立；
该方法被设计用于处理线性系统领域中的动态状态估计问题；
声纳技术中最早将扩展卡尔曼滤波（EKF）应用于水下环境定位与导航的是声纳系统；
【特性分析

5.1.2 Unscented Kalman Filter

• 主要工作集中在2000年前后引用了文献[37][38]；
  • 该方法省去了雅可比矩阵的计算过程；
  • 该方法通过对粒子采样生成sigma点，并利用这些点在期望值附近通过似然函数进行预测；
  • 该算法的主要缺陷是导致算法运行速度较慢。

5.1.3 Information Filter

• 卡尔曼滤波器的信息状态与状态空间之间的互惠关系；
  • 由协方差矩阵计算其互惠获得的信息状态量；
  • 其主要优势体现在：
    • 它使得更新过程以附加式的方式进行，
      而无需考虑观测数据出现的具体顺序；
    • 通过消除数据间较弱关联性，
      实现信息状态量呈现高度稀疏特性，
      这一特性显著降低了计算复杂度，
      确保了算法运行效率；
    • 其在多体移动估计中的应用日益广泛；
  • 相对而言，在单体移动估计场景中（如[参考文献:19]），卡尔曼滤波器的表现更为突出。

5.1.4 Particle Filter

• 根据概率密度（probability density），用一组粒子进行状态采样；
• 对每个粒子的位移进行预测，并根据观测结果进行更新；
  • 在更新阶段，根据测量值的可能性对粒子进行加权;
  • 可能性最大的粒子被保留，其他粒子被排除，并生成新的粒子[3]。
• PFs的主要优点：不需要高斯噪声假设，可以适应任何分布。
• 缺点：
  • 该方法直接应用SLAM很难的，因为每个地标都需要一组粒子。
  • long-term inconsistency [53]
• 改进：
  • 分布式粒子方法DP-SLAM[47]和DPSLAM 2.0[48]，
    • 使用最小的祖先树（a minimal ancestry tree），作为数据存储结构；
    • 引导PF来实现快速更新，同时减少了PF的迭代次数。
    • FastSLAM -- [49]最著名的PF算法
  • 特性：
    • 可以real-time[52]；
    • 可以通过将FastSLAM与一个IF相结合，来解决 long-term inconsistency的问题；
      • 但是在计算上很复杂。
    • Landmark的不确定性，由单元的占用概率表示，这使得地图的部分更新成为可能；
  • 趋势：当使用视觉传感器[24]，和具有激光数据的二维网格时，基于过滤的方法，现在倾向于依赖于3D点。
• RADARs 在SLAM中的应用
  • [61][62][63]中用基于过滤的方法；
  • 然而，由于信号的噪声性质，它们在大规模实验中的应用仍然有限；
  • 通常用于障碍物探测。

5.2 Optimization-based SLAM

• 一般包含两个主要组件：
• 第一个主要组件负责利用传感器数据识别新观测结果与环境地图之间的对应关系，并据此建立问题求解的基础约束条件。
• 第二个主要组件则负责通过计算优化当前车辆的姿态（包括历史姿态）并结合给定约束条件的地图信息进行更新与完善。
• 这种系统的整体设计使得路径规划过程能够基于动态环境信息实现更加合理的规划结果。

5.2.1 Bundle Adjustment

一种视觉技术融合三维结构与相机参数（位姿）之估计。

5.2.2 Graph SLAM

• Bayesian SLAM的图形表示特别适合利用优化方法来解决相关问题。
• 在非线性函数F(x;m)中通常会采用局部近似法进行简化处理。
• 常用的方法包括：
  • 随机梯度下降变体（Randomized Gradient Descent）；
  • 勒文伯格-马夸特法（Levenberg-Marquardt Algorithm）；
  • 高斯-塞德尔松弛法（Gauss-Seidel Relaxation）；
  • 梯度下降法（Gradient Descent）。
• 这些方法既可以全局优化轨迹路径也可以基于小位移增量实现实时更新。
• ORO算法[76] 采用了一种基于随机梯度下降的新变体，并引入了一种新的参数化节点用于改进计算过程。
• 在流形理论基础上提出了一种层次化优化框架：
  • 最低层表示原始数据特征；
  • 最高层则反映环境空间布局信息；
  • g2o[78] 中通过海森矩阵稀疏特性实现了系统复杂度的有效降低。
• COP-SLAM[79] 引入了姿态图模型：
  • 综合考虑位移量及其不确定性信息构建位姿链模型。
• TreeMap[80] 通过树状数据结构提升了地图拓扑组织效率：
  • 实现了信息矩阵的有效稀疏化；
  • 进而实现了大规模标定任务中的高效处理（时间复杂度为O(log n)）。
• iSAM (incremental And Mapping)[81][82] 采用了不同于传统图形优化的方式：
  • 简化了信息矩阵形式以加速底层优化过程；
  • 其核心目标在于求解稀疏信息矩阵的QR分解问题。

5.3 Filter-based SLAM 对比 Optimization-based SLAM

• 比较研究在[83]中被提出后，在[84]中被进一步拓展至单目视觉方法。
• 作者指出："基于滤波器的SLAM框架有助于缓解小计算资源下的处理负担；而基于Bundle Adjustment（BA）优化则在其他方面表现更为优异" [83]
• 结论：优化策略通常能够带来更好的效果；相较于滤波方法而言，在线性化问题上可能会造成一定的局限性。

5.4 一些标准数据集

5.5 KITTI中高排名的算法

• V-LOAM [105]（J. Zhang and S. Singh, 2015）："基于视觉与激光的数据融合实现低漂移、高鲁棒性和快速定位"。
• 该系统展现出卓越的定位性能；
• 将视觉里程测量与较慢的三维激光定位技术相结合用于运动估计。

5.6 自主驾驶中SLAM的一些评价标准

• Accuracy 准确度
  • 理想情况下，精确度应始终低于阈值(通常约20厘米[109])。
• Scalability 可量测性 * 是指车辆处理大规模自动驾驶的能力。SLAM算法应该能够在固定的时间和固定的内存使用情况下工作；
  • 例如，所构建和/或使用的地图，必须很 light （轻量级）
    • (或存储在远程服务器上，并在运行中进行检索)，以便在长距离中方便地使用。
• Availability 可用性
  • 指SLAM算法的直接可用性。
• Recovery 自复位性
  • 大型地图中定位车辆的能力
    • 最初，车辆不知道它在哪里，并且在大多数情况下，需要一个专门的流程来大致了解它在地图上的位置；
    • 或是一个从失败(被绑架的机器人问题)中恢复的方法。
• Updatability 可更新性
  • 指确定地图与当前观测之间的永久变化
    • 包括需要集成这些持久更改，而不是临时更改的更新策略；
    • 长期自动驾驶需要地图更新的自动化。
• Dynamicity 动态性
  • 指SLAM方法如何处理动态环境和变化
    • 包括，可能定位估计扭曲化的，动态障碍；
    • 它还集成了可以变化的天气条件，以及季节变化(树木落叶等)。
  • 如：[142] T. Naseer, M. Ruhnke, C. Stachniss, L. Spinello, and W. Burgard, “Robust Visual SLAM Across Seasons, ” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2015, pp. 2529–2535.

6 Relocalization and loop closure

6.1 描述与分类

通过定位先前的对应点从而减少SLAM算法导致的漂移效应被普遍认为是该领域的重要研究内容之一；
环路闭合（loop closure）最初被视为一种用于减少漂移的技术；
基于视觉数据的丰富性许多方法都采用了摄像机来进行闭环搜索；
Williams等的研究人员[131]将这些闭环处理方法归纳为三类:
Image-to-image methods [132]
闭环检测（loop detection）通常在传感器空间中执行；
基于视觉线索的 bag-of-words 方法[132][135]属于这一类别；
其基本思路是建立一个词典其中每个词代表一组相似的描述符；
仅利用地图中的位置信息这是GCBB算法(Geometric Constraint Branch and Bound)所采用的方法，在文献[143]中首次提出；
其核心原理在于定义地图中的地标并建立与当前观测值之间的几何约束关系；
Image-to-map methods [134]
从传感器空间提取特征并与全局地图进行匹配处理。

6.2 自动驾驶中，常用“重定位和闭环检测”方法汇总

6.2.1 讨论与总结

• 近年来，在应对季节性或天气变化的问题上成为研究热点。
  • 尽管传统图像对图像的方法在某些情况下仍然受到欢迎，但现代方法则倾向于综合运用多种手段以确保准确性。

6.3 自动驾驶中，在已构建的map中Localization方法汇总

6.3.1 讨论与总结

• 基于先前构建的地图实现定位具有重要意义；
  • 在限定区域内设计一种能够综合考虑永久性变化、季节和天气因素的长期地图系统仍然是一个挑战；
  • 在准确性方面，尽管展示了显著成果但依然难以预测不同环境下的运行状态

6.4 自动驾驶中，在现有(或未来)的map的Localization方法汇总

6.4.1 讨论与总结

• 基于目前采用的地图定位技术尚处于发展状态，
  • 尽管采用了更为精确的人工构建车道地图的方法，
    即使在理论上达到了更高的精度水平（约20厘米[109]），
    同样仍无法满足自动驾驶系统所需的关键精度要求；
  • 随着人工智能技术的发展，
    当前数据库的应用正朝着更加广泛的方向发展；
  • 研究者倾向于聚焦于某一类特定数据，
    并开发出一套综合运用各类资源的有效评估体系。

7 MULTI-VEHICLE SLAM

7.1 概念与分类

• 在全球范围内定位地图是一项具有挑战性的任务；
  • 车辆之间的协作能够提升现有地图的质量，并降低获取大量数据的工作量；
  • 同时完成各自区域的地图构建以防止信息过载和估计误差。
    • 中央化SLAM方法：
      • 所有通信都集中在一个中心节点进行处理，并在返回各车辆之前将所有数据进行整合处理。
    • 分散化SLAM方法：
      • 每辆车能够在与其他车队成员实时通信的同时完成各自区域的地图构建；
      • 这种情况要求实施严格的信息化管理措施以防止信息过载和估计误差。

7.2 讨论与总结

• 多机器人SLAM方法，在自动驾驶上的成熟程度，在很大程度上取决于数据处理的方式；
  • 未来的问题之一:未来的汽车将具备多大的带宽容量？但最重要的是汽车能否接入互联网；
  • 完全移植关键处理部分到云端可能不够安全；
  • 分散式（去中心化）SLAM: 在合理的时间内从几辆车上实时更新地图是一个有趣的前景；
    • 地图中可能发生变化的部分进行实时更新有助于无人驾驶汽车更快适应变化；
      • 此外，在低动态性环境中预先识别环境特征并选择更适合的特性进行预测是可行的；
    • 这一前景还依赖于软件架构能够有效处理数据流和适当片段化的更新设计；
    • 使基于云的方法可行的关键因素是选择一种能够整合所有输入信息的地图表示形式；
      • 完全分散的方法允许车辆之间共享相似目标信息；
        • 每辆车可以根据自身传感器获取的信息决定是否整合到自身地图中；
    • 因此需要制定评估标准以确定来自不同车辆的地图与自身目标（如目的地、能量限制等）之间的信息增益价值；
  • 集中式SLAM: 可能是当前较为成熟的技术；尽管其在HAD地图下可能无法提供所有可靠定位所需的信息；
    • 但在探测车的帮助下可以在预设时间内快速获取足够数据构建此类地图；
    • 然而探测车长期适应能力仍需关注；
    • 防止地图数据量无限制增长仍然是关键挑战；
  • 构建健壮的软件架构以集成和处理所有数据可能会面临高昂的成本；这种基础设施成本直接决定了企业是否愿意采用大规模实验而非小规模研究团队

8 讨论和结论

未来的方向和剩下的挑战。

在第23届世界大会期间（during the 23rd World Congress），organized a localization competition（组织了一个定位竞赛）。By using HERE company's low-resolution maps of ground objects and lane voxel grids（利用HERE公司提供的低分辨率地面物体和车道体素地图）。Participants were required to develop an accurate positioning algorithm（参与者被要求开发一种精确的定位算法）。After the event, no winner was awarded because all entries fell short of achieving the desired precision（在竞赛结束时并未产生赢家是因为所有参赛作品都未能达到指定精度）。

• HAD地图 ，未来几年或将可用， 目前还不清楚它是否会为定位算法，提供足够强大的先验知识。
  • 这些map可以用作本地动态地图（Local Dynamic Map(LDM)）的一部分。
  • 由这些地图收集的静态和动态信息，可以供SLAM使用。
  • 标准化是必要的，如[272] 欧洲电信标准协会 ETSI建议的标准。
• 传感器配置( sensor placement )
  • 其对定位系统的性能，产生的影响巨大；
    • 如，车顶上的激光雷达，将对周围基础设施有一个清晰的视图
    • 并能避开大多数移动障碍，而底盘上的激光雷达可能会受到遮挡的影响。
  • 定位所需的传感器的最小集合，也没有明确的定义(即使激光和照相机似乎更受欢迎)
    • 这样的定义，应该与作为先验知识的地图表示一起制定。
  • 传感器的成本也应考虑在内。
  • 多模态 multi-modality
    • 如，一张地图可以由昂贵的3D激光构建，但随后可以由一个简单的相机来使用。
• 构建灵活的 体系结构 * 在这种体系结构中，决策系统可以根据具体环境，选择需要的传感器、探测器或地图。
• 具体环境 ( context )
  • 目前开展的大部分工作都是室内定位；
  • Chatila et al. in [274] 1985 提出语义(对象)地图可用于高层决策；
  • 参考[278]：单目语义地图，将已知的物体整合到SLAM中；
  • 参考 [279]：SLAM++，对象级别的SLAM；
  • 户外环境中的语义SLAM，仍然是一个需要解决的挑战。
• 卷积神经网络 * 通过使用来自这些网络的特征图，来改变位置识别 （place recognition） 的方式；
  • 可以构建图像语义mapping；
  • 局限性：
    • 目前处理对象，是移除移动的，或暂时静态的环境；
  • 经典例子（Bojarski，2016 ）[282] ：从相机获取的信息，直接应用于方向盘转向角。
• 其他 * 使用以前构建的，没有可伸缩性问题的map，这是一种长期测试它们，并使它们适应环境变化的好方法。
  • 安全性
    • 应考虑到故障，及故障对定位系统的影响。

9 经典论文

9.1 SLAM 综述相关文章

• [85] J. Aulinas, Y. Petillot, J. Salvi, and X. Llado, “The SLAM problem: a survey ,” in 11th International Conference of the Catalan Association for Artificial Intelligence, 2008 , pp. 363–371.
  • [86] G. Dissanayake, S. Huang, Z. Wang, and R. Ranasinghe, “A Review of Recent Developments in Simultaneous Localization and Mapping ,” in IEEE 6th International Conference on Industrial and Information Systems, 2011 , pp. 477–482
  • G. Ros, A. D. Sappa, D. Ponsa, and A. M. Lopez, “Visual SLAM for Driverless Cars: A Brief Survey ,” in IEEE Intelligent Vehicles Symposium Workshops, 2012.
  • S. Lowry et al., “Visual Place Recognition: A Survey,” IEEE Transactions on Robotics, vol. 32, no. 1, pp. 1–19, 2016.
    • 研究问题：探讨动物 kingdom中的位置识别机制，在外观变化时如何实现可靠的自识能力。

9.2 SLAM问题的发展

• R. Smith and P. Cheeseman, “A Method for Representing and Estimating Spatial Uncertainty,” The International Journal of Robotics Research, vol. 5, no. 4, pp. 56–68, 1986.
• The earliest formulation of the SLAM problem.
• earliest systematic treatments of SLAM problems.
• SLAM: a systematic treatment.
• T. Bailey and H. Durrant-Whyte’s work on simultaneous localization and mapping (SLAM) has been foundational in robotics research.
• T. Bailey and H. Durrant-Whyte’s seminal paper on simultaneous localization and mapping (SLAM) laid the groundwork for modern approaches to robot navigation.
• C. Cadena et al.’s comprehensive review article explores the evolution of SLAM techniques over time while addressing current challenges in perception systems.

9.3 多种传感器融合的方法

• P. Newman, D. Cole, and K. Ho, “Outdoor SLAM Using Visual Appearance and Laser Ranging,” in IEEE International Conference on Robotics and Automation, 2006, pp. 1180–1187
  • 视觉与激光的耦合
• [128] R. C. Luo, C.-C. Yih, and K. L. Su, “Multisensor fusion and integration: approaches, applications, and future research directions ,” IEEE Sensors Journal, vol. 2, no. 2, pp. 107–119, 2002
  • 将信息融合分为三个层次：
    • 原始数据——低层次；特征——中层次；对象——高层次。
• [129] J. A. Castellanos, J. Neira, and J. D. Tardos, “Multisensor fusion for ´simultaneous localization and map building ,” IEEE Transactions on Robotics and Automation, vol. 17, no. 6, pp. 908–914, 2001.
  • 将激光与摄像机数据进行耦合(先进行激光估计，然后进行相机优化）；融合效果达到 a landmark level。
• [130] L. Wei, C. Cappelle, and Y. Ruichek, “Camera/laser/GPS fusion method for vehicle positioning under extended NIS-based sensor validation ,” IEEE Transactions on Instrumentation and Measurement, vol. 62,no. 11, pp. 3110–3122, 2013 * 根据信息相关性（information coherency）对摄像机、激光和GPS进行信息融合。
• [105] J. Zhang and S. Singh, “Visual-lidar Odometry and Mapping: Lowdrift, Robust, and Fast ,” in IEEE International Conference on Robotics and Automation, 2015.
  • 结合视觉和三维激光数据，产生低漂移算法。
• R. Chatila and J.-P. Laumond, “Position referencing and consistent world modeling for mobile robots ,” in IEEE International Conference on Robotics and Automation, 1985, pp. 138–145.
  • SLAM早期经典作品，室内定位，提出语义(对象)地图，用于高层决策。
• H. Zender , O. Mart´ınez Mozos, P. Jensfelt, G.-J. Kruijff, and W. Burgard, “Conceptual spatial representations for indoor mobile robots ,”Robotics and Autonomous Systems, vol. 56, no. 6, pp. 493–502, 2008.
  • 经典论文：提出了基于三种不同概念空间的，地图表示方法:metric(来自SLAM系统)、navigation(自由空间)和topological(门分隔区域之间的连接)。
• R. F. Salas-Moreno , R. A. Newcombe, H. Strasdat, P. H. J. Kelly, and A. J. Davison, “SLAM++: Simultaneous Localisation and Mapping at the Level of Objects ,” in IEEE Conference on Computer Vision and Pattern Recognition, 2013, pp. 1352–1359.
  • 经典论文，对象级别的SLAM。
• M. Bojarski , D. D. Testa, D. Dworakowski, B. Firner, B. Flepp, P. Goyal, L. D. Jackel, M. Monfort, U. Muller, J. Zhang, X. Zhang, J. Zhao, and K. Zieba, “End to End Learning for Self-Driving Cars ,” CoRR, 2016 [282]
  • 经典论文，高引用论文，训练了一个卷积神经网络(CNN)，从相机获取的信息，直接应用于方向盘转向角。

9.4 BA算法的经典代表

• [64] B. Triggs, P. F. McLauchlan, R. I. Hartley, and A. W. Fitzgibbon, “Bundle Adjustment - A Modern Synthesis ,” in Vision Algorithms: Theory and Practice. Springer, 2000 , pp. 298–372.
• [65] W. Press, S. Keukolsky, W. Vettering, and B. Flannery, “LevenbergMarquardt Method ,” Numerical Recipes in C: The Art of Scientific Computation, pp. 542–547, 1992.
• H.-Y. Shum, Q. Ke, and Z. Zhang, “Efficient Bundle Adjustment with Virtual Key Frames: A Hierarchical Approach to Multi-frame Structure from Motion ,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.
• E. Mouragnon, M. Lhuillier, M. Dhome, F. Dekeyser, and P. Sayd, “Real Time Localization and 3D Reconstruction ,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2006, pp. 363–370.
  • 提出 LBA (local bundle adjustment)

9.5 Visual Odometry 系统介绍杂志

*Domenico Scaramuzza 和 Friedhelm Fraundorfer 的研究表明，《视觉 odometry：早期发展综述》提出了一种有效的解决方案。
*Domenico Scaramuzza 和 Friedhelm Fraundorfer 在《视觉 odometry：第二部分》中进一步探讨了匹配算法、鲁棒性优化及其在实际中的应用。