能服务机器人环境描述方法：基于视觉的同时定位与地图生成(vSLAM)

基于视觉的同时定位与地图生成方法(vSLAM) 在一定程度上解决了FastSLAM的上述不足，原因是在视觉图像中包含了比激光传感数据更加丰富的环境信息。VSLAM的提出得益于视觉图像处理技术的发展，Lowe 等人提出了一种比例不变特征变换(Scale Invariant Feature Transform,SIFT)73,利用该方法提取的特征简称为SIFT 特征。与从视 觉图像或激光信息中提取的直线、角点特征相比，SIFT 特征对于图像的缩放、视角、光强等变化具有较好的不变性，这意味着SIFT特征具有更强的鲁棒性，在数据关联过程中不受环境光照变化、环境局部改变、特征部分遮挡以及机器人观察视角的影响。

Rao-Blackwellized 粒子滤波器因式分解技术同样被vSLAM所采用，所以vSLAM也 可以称为基于视觉的FastSLAM。由 于vSLAM所使用的路标特征为SIFT 特征，而每一个 SIFT 特征又具备区别于其他特征的性能(Distinctive), 无论从地图创建还是从实际应用的角度来说，vSLAM在数据关联上的可操作性要优于FastSLAM。正如文献[74]中提到， 在 vSLAM 中，机器人具有较强的“诱拐恢复”能力。主要原因是由vSLAM生成的地图中 (如图1.58所示)存在从视觉图像中提取的路标。当机器人遭遇诱拐时，会根据路标匹 配从诱拐中恢复过来。

vSLAM同样有其不足之处，正如前文所说，vSLAM借助于SIFT 特征的提取和匹配， 当未知环境中的SIFT 特征较为贫乏时，机器人将难以创建准确度较高的环境地图。换句 话说，考虑某些极限情况，当周围的环境为纯色时，vSLAM 将无法正常使用。而在典型的 室内或室外环境中，尤其是环境较为混乱时，vSLAM却具有良好的性能，这与FastSLAM 形成了鲜明的对照。

vSLAM的另一个不足之处是难以提供障碍物准确的相对坐标，这意味着由vSLAM创 建的环境地图在精度上要劣于FastSLAM。因此，有些研究者采用双目立体视觉提高地图 创建的精度。但由于视觉图像在深度信息上的丢失，视觉定位精度仍然受到图像匹配和 摄像机参数校正的影响。

vSLAM 的Z后一个不足之处是大规模环境的地图存储问题。在何时何处从环境中 提取特征仍然是一个亟须解决的问题。现在较为常用的方法是采用定距离方式获取 SIFT 特征。也就是机器人每移动一段距离然后停下来从该地点的东南西北四个方向获取场景图像并提取SIFT 特征作为路标。由于每一个场景包含几十到上百个SIFT 特征， 在大规模环境下的地图精度及地图规模是需要权衡的一对矛盾。从应用的角度来说，在 vSLAM中的特征提取和特征匹配具有较高的计算负担，如何保证机器人在vSLAM所创建 地图中导航时的实时性是一个不可忽略的问题。