視覺和激光SLAM發(fā)展綜述與展望

中圖分類號：TB9;TB3 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-5124（2025）06-0001-16

Overview prospect vision lidar SLAM

CHENG Liang12， LUO Zhoul2， HE Yunze3， CHEN Yongcan3

（1. School ， ， 2. ， 519085， 3. ， University， Changsha 41oo82， China）

Abstract： Simultaneous localization mapping （SLAM） technology has a wide range applications in unmanned equipment， which can achieve indoor or outdoor autonomous localization mapping tasks. In this paper， the basic framework vision SLAM laser SLAM is introduced， the functions algorithms front-end odometer，back-end optimization，loop detection map construction are described indetail. After this，theclasic algorithms in the development visual/laser SLAMare summarized their advantages disadvantages areanalyzedas wellas the excelent improvement schemes after this.Inaddition，the typical application scenarios SLAM technology in life are listed， the important role SLAM technology in the fields automatic driving unmanned equipment is shown. Finally， the curent development trends research progress SLAM systems are discussed，as well as challenges issues to be considered in future applications， including multi-type sensor fusion， integration with deep learning technologies， the key role interdisciplinary collaboration. Through the comprehensive analysis discussion SLAM technology， it provides pround theoretical guidance practical reference for further promoting the development application SLAM technology.

Keywords：SLAM; camera; lidar;multi-sensor fusion

0 引言

近些年來隨著人工智能的迅速發(fā)展，人們對便捷的生活以及智能化生產(chǎn)的需求越來越高，在這種需求的驅(qū)使下，機(jī)器人行業(yè)快速發(fā)展，而移動機(jī)器人是眾多機(jī)器人種類中的一種，是許多企業(yè)與高校的研究熱點[1]。同時定位與地圖構(gòu)建（simultaneouslocalizationmapping，SLAM）最早是由Smith和Cheeseman[2]在1986的IEEE機(jī)器人與自動化會議上提出，發(fā)展至今已有30多年。SLAM技術(shù)回答了在沒有環(huán)境先驗信息的場景下，如何通過機(jī)器人搭載的傳感器來確認(rèn)自身所處的位置以及構(gòu)建該環(huán)境地圖的問題。根據(jù)使用的傳感器類別不同，當(dāng)前主流的SLAM系統(tǒng)主要分為激光SLAM、視覺SLAM以及各類傳感器輔助激光/視覺的多傳感器融合SLAM技術(shù)[3]。視覺SLAM以相機(jī)為主傳感器，因其獲取信息直觀豐富、成本低廉受到眾多研究者的青睞，常用的視覺傳感器有單目/雙目攝像頭、RGB-D相機(jī)等。但此方法在光線劇烈變化時容易受到曝光問題的影響，且在微光或無光環(huán)境下存在失能等問題。而激光SLAM系統(tǒng)可以很好地解決上述存在的問題，相較于攝像頭，激光雷達(dá)對環(huán)境的感知更加精確且在長時間的運行中激光SLAM也表現(xiàn)的比視覺SLAM更加穩(wěn)定，但激光雷達(dá)的價格普遍高于普通相機(jī)，這限制了其在成本預(yù)算有限的項目中應(yīng)用，同時激光雷達(dá)重量較大不利于在便攜式設(shè)備上使用。

視覺SLAM和激光SLAM在技術(shù)實現(xiàn)上雖然共同致力于解決定位和地圖構(gòu)建的問題，但它們在處理方法和技術(shù)細(xì)節(jié)上存在差異。總的來說，兩者都涵蓋了SLAM系統(tǒng)的核心組成部分：前端里程計、后端優(yōu)化、回環(huán)檢測以及地圖構(gòu)建。這些技術(shù)的不同實現(xiàn)方式，使得視覺SLAM和激光SLAM各有其適用場景和特定優(yōu)勢。

1視覺和激光SLAM工作原理

1.1 前端里程計

前端里程計是SLAM系統(tǒng)的關(guān)鍵組成部分，其主要功能是估計傳感器的運動信息，以提供準(zhǔn)確的姿態(tài)估計。

1.1.1 視覺里程計

對于視覺里程計（visualodometry，VO）而言，它通過分析視覺傳感器捕捉到的連續(xù)圖像幀來估計設(shè)備在場景中的運動和位置。視覺里程計通常分為基于幾何的視覺里程計、基于學(xué)習(xí)的視覺里程計兩種方法。

1）基于幾何的方法

基于幾何的視覺里程計方法根據(jù)采集的圖像不同又可分為特征點法VO、直接法VO[4J

特征點法VO從圖像中進(jìn)行檢測和匹配特征點來獲取相機(jī)的位姿，此方法不僅保存了圖像的關(guān)鍵信息，又顯著減少了計算量。其工作流程主要可分為特征提取、特征匹配、運動估計、三角化、局部地圖構(gòu)建幾個步驟。

與其相比，直接法VO的核心思想是基于連續(xù)圖像幀之間的像素灰度值差異進(jìn)行圖像配準(zhǔn)，通常采用如光度一致性假設(shè)或最小化光度誤差的策略。這種方法能夠有效地適應(yīng)環(huán)境中的動態(tài)變化，尤其是在缺乏顯著特征點的場景中仍能保持較好的性能。特征點法VO與直接法VO對比見表1。

2）基于學(xué)習(xí)的方法

近些年來隨著深度學(xué)習(xí)技術(shù)的興起，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被應(yīng)用于提取圖像中的關(guān)鍵特征，不同于傳統(tǒng)特征提取方式，CNN能夠?qū)W習(xí)圖像中深層次特征，這些特征對光照、動態(tài)場景都具有更好的魯棒性。如：在DeepVO[5]使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）的單目VO端到端框架，直接從原始圖像幀中預(yù)測位姿，減少了傳統(tǒng)方法對特征的依賴;DeepVIO[6]在DeepVO的基礎(chǔ)上耦合了IMU數(shù)據(jù)來提高模型估計出的位姿運動狀態(tài);2023年Deng[設(shè)計了一種輕量級卷積網(wǎng)絡(luò)模型，該模型通過逐層減小卷積核尺寸和采用輕量級卷積塊的策略，有效地實現(xiàn)了模型輕量化的同時保證了性能，這種設(shè)計思路尤其適用于計算資源有限且環(huán)境復(fù)雜的應(yīng)用場景。

1.1.2 激光里程計

同視覺里程計相類似，激光里程計通過分析激光雷達(dá)掃描到的數(shù)據(jù)之間的變化來計算激光雷達(dá)在運動中的位姿變化。通常，在激光SLAM的前端里程計中會完成點云數(shù)據(jù)預(yù)處理、點云配準(zhǔn)等操作。

1）點云數(shù)據(jù)預(yù)處理

激光雷達(dá)最初采集到的點云數(shù)據(jù)量通常很龐大，且存在點云數(shù)據(jù)密度不規(guī)則、噪聲點等問題，因此需要對原始點云數(shù)據(jù)進(jìn)行濾波、去離群點等數(shù)據(jù)預(yù)處理操作，常見方法如：體素濾波、統(tǒng)計學(xué)方法等。在某些場景下還需要平面擬合，例如：無人艇在水面工作時，由于在水面上通常會受到風(fēng)浪等外部因素的影響，使得激光雷達(dá)掃向水面時不可避免的產(chǎn)生噪聲點和異常值，當(dāng)前較為傳統(tǒng)的擬合方法是最小二乘法、RANSAC算法，詳見表2。

同時，在激光雷達(dá)載體機(jī)器人運動中會引起點云數(shù)據(jù)的失真，即畸變。這種運動畸變會導(dǎo)致其采集到的數(shù)據(jù)模糊、形變等后果，通常面對點云運動畸變時采用傳感器輔助法。為了補(bǔ)償點云的運動畸變，利用IMU模塊或者視覺模塊來輔助估計設(shè)備的實時位姿變化，可以使得點云能夠在全局坐標(biāo)中更精確的定位。

2）點云配準(zhǔn)

基于激光雷達(dá)掃描相鄰幀，利用大量重復(fù)的點云信息求出幀與幀之間的轉(zhuǎn)換關(guān)系，使得兩幀點云之間的距離無限接近，此過程稱為點云配準(zhǔn)[8]。

點云配準(zhǔn)分為粗配準(zhǔn)和精配準(zhǔn)，當(dāng)對位姿完全未知時使用粗配準(zhǔn)將原目標(biāo)點云與目標(biāo)坐標(biāo)點云轉(zhuǎn)換到統(tǒng)一坐標(biāo)系中，其主要目的是為精匹配提供較好的變換初值。目前應(yīng)用最廣泛的點云匹配算法是迭代最近點（iterativeclosestpoint，ICP）算法、基于數(shù)學(xué)特 征 NDT（normalized distribution transform，NDT）類方法和基于學(xué)習(xí)的方法。

① ICP算法

ICP算法在1992年由Besl和Mckay提出，在點云配準(zhǔn)中廣泛應(yīng)用。假設(shè)有一組點云 p（p₁，p₂...p_m） 在經(jīng)過空間變換后為 q（q₁，q₂...q_n） ，其中點云數(shù)量與順序不保證一致， T（R，t） 為變換矩陣， E（R，t） 為點 p 經(jīng)過變換矩陣 T 后與點 q 的誤差，詳見式（1），其中 R 為旋轉(zhuǎn)矩陣， ^t 為平移向量，使得該問題變?yōu)榍蠼?Ψ_{E（R，t）} 的最小值問題。

流程如圖1。

最初的ICP算法通過對全局點的位姿采用暴力匹配來找到最優(yōu)點，計算開銷較大，在此之后衍生出的各種ICP變種算法，如PL-ICP、PP-ICP與原始ICP最大的區(qū)別是不再把點配準(zhǔn)到某個點上，而是與某一個數(shù)據(jù)量進(jìn)行配準(zhǔn)，其目的是為了更容易收斂。GICP則是在ICP算法的基礎(chǔ)上附加了一個高斯模型用以降低復(fù)雜度。各種ICP算法變種主要有兩個優(yōu)化目標(biāo)：一是增加魯棒性，防正尋找到錯誤的對應(yīng)匹配點；二是為了加快運行速度，主要思想是降低復(fù)雜度。

② 基于數(shù)學(xué)特征的方法（NDT算法）

NDT（normaldistributiontransform）算法即正態(tài)分布變換算法，是一種基于高斯分布的點云配準(zhǔn)算法。NDT方法的主要原理為將目標(biāo)點云進(jìn)行整理并按照分辨率分成具有分布特性的網(wǎng)格，然后根據(jù)這些網(wǎng)格塊來對不同幀的點云進(jìn)行匹配，具體操作是假設(shè)存在兩個連續(xù)幀的點云 P{x}，Q 將點云 劃分為若干個 l×l×l 的體素，分別計算點云 每個體素的均值 μ 和協(xié)方差矩陣 Σ

將 P，Q 之間的變化參數(shù)定義為 R（a，b，θ）^T ，并使用變換參數(shù) R 將 中任意體素內(nèi)一點 q_i 轉(zhuǎn)換為原點云 P 中一點 p_pre，i 。某點落到以 μ 和 Σ 為正態(tài)分布的立方體上，則該點概率密度為式（4）

其中， D 表示維度，對 中所有點，均按上述操作轉(zhuǎn)換為 P 中預(yù)測點，計算概率密度并求和。得到兩點云匹配的置信度 S（R） 。

求出 S（R） 的極小值，計算雅可比矩陣 Y 以及海森矩陣 H， ，不斷更新參數(shù)直至 ΔR 很小，則完成匹配輸出變換矩陣 R ，反之則繼續(xù)上述迭代直至收斂。

NDT算法速度快且能夠應(yīng)對點云之間存在較大變形和噪聲的情況，適用于大規(guī)模點云數(shù)據(jù)且NDT算法尤其適合使用GPU加速，可以高效運行。如今工程中處理大規(guī)模點云數(shù)據(jù)時往往首先使用NDT算法進(jìn)行快速粗略匹配，得到大致對齊位置隨后利用ICP算法進(jìn)行調(diào)整。

③ 基于學(xué)習(xí)的方法

基于深度學(xué)習(xí)的點云配準(zhǔn)方法有基于深度學(xué)習(xí)的點云特征提取和基于深度學(xué)習(xí)的端到端配準(zhǔn)兩種前者主要利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)具有空間不變性、魯棒性強(qiáng)的點云幾何特征，然后使用簡單優(yōu)化方法（隨即采樣一致性，RANSAC）進(jìn)行迭代即可得到最終的變換矩陣[9]。后者僅使用神經(jīng)網(wǎng)絡(luò)來計算點云的變換矩陣。

PointNet[10]是首個處理點云的深度學(xué)習(xí)網(wǎng)絡(luò)，其通過一個共享的MLP（多層感知器）網(wǎng)絡(luò)學(xué)習(xí)點特征，然后用全局最大化池層捕捉整個點云的全局特征。在此之后的PointNei ++^[11] 引入了多尺度分組機(jī)制即對每個點的領(lǐng)域在不同半徑范圍內(nèi)進(jìn)行采樣并獨立提取特征來實現(xiàn)，從而改善對復(fù)雜場景的處理能力。Zhao[12]在PointNe ⁺⁺ 的基礎(chǔ)上提出密度相關(guān)最遠(yuǎn)點采樣（DR-FPS）算法，提高局部特征的提取能力，使得采樣結(jié)果能夠更好的表達(dá)物體的特征信息。

而基于深度學(xué)習(xí)的端到端點云配準(zhǔn)方法直接從原始數(shù)據(jù)中學(xué)習(xí)變換矩陣，省去了手動特征設(shè)計的步驟，它整合了傳統(tǒng)配準(zhǔn)流程中的多個步驟到一個單一的學(xué)習(xí)框架中，提供了一種直接從輸入到輸出的解決方法，如：PointNetLK[13]、DCP[14]、3DRegNet[15]等。

1.2 后端優(yōu)化

在SLAM系統(tǒng)中的后端優(yōu)化是為了解決系統(tǒng)長時間運行中積累的誤差，提高地圖精度以及行動軌跡的準(zhǔn)確性。SLAM后端一般采用兩種普遍做法：一是基于濾波器的后端優(yōu)化；二是基于圖優(yōu)化的后端優(yōu)化。

1.2.1 基于濾波器

基于濾波器的方法源于貝葉斯估計理論，是早期解決SLAM問題的方法，它假設(shè)當(dāng)前時刻狀態(tài)僅與上一時刻的狀態(tài)有關(guān)。常用濾波器算法見表3。

基于濾波器的后端優(yōu)化算法在室內(nèi)或小范圍場景中具有不錯的效果，然而卻在處理大規(guī)模數(shù)據(jù)以及非線性約束時存在一些限制。因此，近年來后端濾波器優(yōu)化算法逐漸被圖優(yōu)化的方法取代，對比于基于濾波器的優(yōu)化算法，圖優(yōu)化的方法更容易的融合多種傳感器數(shù)據(jù)和多種約束條件并且圖優(yōu)化方法可以更高效的處理大規(guī)模數(shù)據(jù)。

1.2.2 基于圖優(yōu)化

圖優(yōu)化SLAM算法由LU與Milios[21]首先提出，已成為SLAM研究領(lǐng)域內(nèi)應(yīng)用最為廣泛且極具影響力的框架之一。

圖優(yōu)化算法是將一個SLAM問題表達(dá)為一個圖模型（因子圖或權(quán)重圖），其中將狀態(tài)變量作為圖中的節(jié)點，將約束信息作為連接這些節(jié)點的邊。這種圖形模式允許算法以簡明高效的方式表示復(fù)雜的關(guān)系和約束條件，算法核心在于對圖模型的優(yōu)化處理，通過求解誤差最小化的最優(yōu)狀態(tài)估計獲得機(jī)器人的最優(yōu)軌跡地圖。此時SLAM系統(tǒng)前后端之間的關(guān)系如圖2。

但同時圖優(yōu)化SLAM也存在諸如依賴初值、計算復(fù)雜度高等問題，面對這些挑戰(zhàn)，如今高效的優(yōu)化算法、數(shù)據(jù)降維技術(shù)是當(dāng)今該領(lǐng)域的研究熱點。如MIT的研究團(tuán)隊開發(fā)的基于增量平滑與映射的iSAM[22]和iSAM2[23]算法。iSAM能夠有效處理長時間運行的SLAM系統(tǒng)產(chǎn)生的累積誤差，其核心優(yōu)勢在于其增量求解的特性能夠在新的觀測數(shù)據(jù)傳入時快速更新狀態(tài)估計，而無需重新計算整個過程。iSAM2在其基礎(chǔ)上引入了BayesTree數(shù)據(jù)結(jié)構(gòu)來高效地表述數(shù)據(jù)的增量解，提高了SLAM系統(tǒng)在處理大規(guī)模數(shù)據(jù)集時的效率和精度；在iSAM2的基礎(chǔ)上，Zhang[24]等提出了一個支持多機(jī)器人協(xié)同工作的系統(tǒng)MR-iSAM2，MR-iSAM2使用分布式圖優(yōu)化技術(shù)，允許每個機(jī)器人獨立處理各自的局部地圖與位姿估計的同時共享一個因子圖框架，使得所有信息都可以被整合到一個全局模型中，這種方法既減輕了單機(jī)器人的計算負(fù)擔(dān)又確保了數(shù)據(jù)的一致性；Aiba[25]及其團(tuán)隊通過引入最小成本多切割方法來解決圖優(yōu)化SLAM中的地標(biāo)誤識別問題

1.3 回環(huán)檢測

回環(huán)檢測模塊在SLAM系統(tǒng)中發(fā)揮著至關(guān)重要的作用，特別是在長時間運行下由于傳感器的信息偏差和計算的累積誤差，SLAM系統(tǒng)的前后端處理可能會遂步偏離真實狀態(tài)?；丨h(huán)檢測通過全局?jǐn)?shù)據(jù)分析來識別是否到達(dá)過歷史場景，從而修正漂移誤差并構(gòu)建全局一致的軌跡地圖。

在視覺SLAM中，詞袋模型（bag words）[26]是一種常用方法。該模型通過構(gòu)建一個由視覺單詞（即一組相似描述子的集合）組成的字典，并將每幀圖像表示為存在或缺少這些單詞的向量，當(dāng)兩幀圖像的單詞向量高度相似，便可判定發(fā)生了回環(huán)。相比之下，激光SLAM通過點云掃描匹配來實現(xiàn)回環(huán)檢測，即通過比較兩幀點云數(shù)據(jù)的相似性來判斷是否處在同一位置。M2DP（multiview 2D projection）[27]于2016年提出，通過將不同視角的點云圖投影到二維平面并提取全局描述子，有效地實現(xiàn)了點云間的匹配和配準(zhǔn)，尤其在多模態(tài)點云配準(zhǔn)領(lǐng)域表現(xiàn)突出。近些年來發(fā)現(xiàn)點云的掃描匹配方法和圖像的特征提取方法也可以作用于回環(huán)檢測模塊，2020年，Chen[28]發(fā)表的OverlapNet提出了一種基于激光雷達(dá)的SLAM回環(huán)檢測的深度學(xué)習(xí)模型，該模型利用激光雷達(dá)數(shù)據(jù)的重疊區(qū)域來評估兩個場景的相似度，顯著提高了在復(fù)雜的環(huán)境下回環(huán)檢測的功能。

1.4 地圖構(gòu)建

地圖構(gòu)建模塊負(fù)責(zé)根據(jù)從環(huán)境中收集到的數(shù)據(jù)生成地圖，在此過程中不僅要實時定位傳感器的位姿，同時需要在此基礎(chǔ)上構(gòu)建出對環(huán)境的精確表示。常見地圖類型有柵格地圖、特征地圖、點云地圖等。

2視覺和激光SLAM方案介紹

2.1 視覺SLAM

在視覺SLAM中2D-SLAM通常使用單目或雙目攝像頭，而立體相機(jī)、RGB-D相機(jī)等獲取深度信息則用于3D-SLAM。視覺SLAM實現(xiàn)的算法有很多，主要分為基于特征點的視覺SLAM和基于直接法的SLAM以及結(jié)合深度學(xué)習(xí)的視覺SLAM。

2.1.1 基于特征點的視覺SLAM

首篇視覺SLAM在2007年由Davison提出的MonoSLAM[29]，這是第一個基于EKF方法的單目視覺SLAM，雖然存在著魯棒性差，計算負(fù)載大等問題，但MonoSLAM在視覺SLAM的起步階段發(fā)揮著重要的推動作用。同年Klein等提出了PTAM[30]（parallel tracking mapping）， 它改進(jìn)了MonoSLAM無法長時間穩(wěn)定工作在大規(guī)模場景的問題并首次在后端采用非線性優(yōu)化的方法，它將視覺SLAM問題分為tracking、mapping兩個線程，核心思想為通過并行的線程同時實現(xiàn)相機(jī)的跟蹤和地圖構(gòu)建，從而提高大規(guī)模環(huán)境下視覺定位和建圖的能力。2015年Raul Mur-Artal及其團(tuán)隊提出的 ORB-SLAM[31]是視覺SLAM領(lǐng)域的一個重要代表，它在PTAM的雙線程基礎(chǔ)上又增加了回環(huán)檢測模塊，并利用ORB（orientedFASTrotatedBRIEF）描述子來檢測圖像中的特征點，并依賴這些特征點進(jìn)行定位與建圖，由于ORB特征結(jié)合了FAST關(guān)鍵點檢測的高效性和BRIEF描述子的旋轉(zhuǎn)不變性的特點，這兩者的結(jié)合為視覺SLAM系統(tǒng)提供了一種既魯棒又快速的特征點匹配方法。在這之后的ORB-SLAM2[32]是ORB-SLAM的改進(jìn)版本，其引人了新的特征點選取和描述子匹配策略，提高了特征點匹配的準(zhǔn)確性，此外還加人了詞袋模型的回環(huán)檢測算法，提高了ORB-SLAM系統(tǒng)在大規(guī)模場景下的魯棒性。于2021年Campos 提出的ORB-SLAM3[33]是一種支持多種相機(jī)的視覺SLAM算法，他對各階段都進(jìn)行了優(yōu)化，在運行效率、構(gòu)圖精度上都有出色的表現(xiàn)。但是ORB-SLAM系列算法特別依賴環(huán)境特征，這也是眾多特征點法SLAM的通病，在低紋理場景下（長廊等）很難檢測到足量的特征點用以提取，從而導(dǎo)致系統(tǒng)的魯棒性和準(zhǔn)確性降低。為此，Jiang[34]在視覺里程計部分采用線條特征作為補(bǔ)充特征，然后改進(jìn)線特征重投影誤差模型，構(gòu)造基于點-線仿射不變性的約束。

2.1.2基于直接法的視覺SLAM

DTAM[35]（ dense tracking mapping in real-time）是2011年提出的基于直接法的視覺SLAM算法，DTAM通過光度一致性檢測相機(jī)位姿，同時使用優(yōu)化算法來提高位姿估計的準(zhǔn)確性，通過這些位姿信息和相鄰幀之間的圖像信息構(gòu)建三維稠密地圖。DTAM有著較為穩(wěn)定的建圖效果，但是對計算資源的消耗較大。LSD-SLAM[36是2014年由JakobEngel等人提出一種基于直接法的半稠密視覺SLAM算法，它通過連續(xù)圖像幀光度一致性來實現(xiàn)，并且構(gòu)建的地圖為半稠密的，即保留了一部分地圖點以提高計算效率。同年，F(xiàn)orster等人提出了SVO[37l（semi-direct monocular visual odometry） 是一種稀疏直接法視覺里程計，需要注意的是SVO中有特征點法相關(guān)元素。在SVO中，也會檢測圖像幀中的一些特征點，不過這些特征點與SIFT、SURF提取的特征點有所區(qū)別，它是直接通過檢測圖像像素與紋理信息得到的。SVO尋找了稀疏地圖的特征點，而且不用對描述子進(jìn)行計算，所以運行速率很快，同時，SVO相對于其他SLAM系統(tǒng)來說比較輕量級，適用于低成本的嵌入式系統(tǒng)。在這之后，Jakob Engel提出 的 DSO[38]（Direct SpaceOdometry）是一個基于稀疏直接法的視覺里程計，DSO使用幾何和光度相機(jī)校準(zhǔn)結(jié)果進(jìn)行高精度估計但嚴(yán)格上來講DSO并不是一個完整的SLAM，它同SVO一樣沒有閉環(huán)檢測，因此不可避免的會出現(xiàn)累積誤差。

VINS-MONO[39]（ visual-inertial navigation systemformonocularcamera）是一種基于單目相機(jī)和慣性測量單元（IMU）的視覺慣性導(dǎo)航系統(tǒng)，相較于僅使用單目相機(jī)的視覺SLAM，VINS-MONO緊耦合了imu模塊，利用其提供慣性測量值以及視覺數(shù)據(jù)能夠更穩(wěn)健的建圖，其在動態(tài)環(huán)境以及在光照變化較大的場景下表現(xiàn)較好。

2.1.3 基于深度學(xué)習(xí)的視覺SLAM

基于深度學(xué)習(xí)的視覺SLAM利用深度學(xué)習(xí)模型來增強(qiáng)視覺SLAM各個環(huán)節(jié)，特別是在特征提取、匹配和環(huán)境理解方面[40-41]，同時深度學(xué)習(xí)也常用于改善閉環(huán)檢測[42]使得SLAM系統(tǒng)更好的處理動態(tài)環(huán)境，提高系統(tǒng)長期運行的穩(wěn)定性。自從2015年Kendal1等提出在視覺里程計中引人深度學(xué)習(xí)方法開始，經(jīng)過近十年的發(fā)展，基于深度學(xué)習(xí)的視覺SLAM系統(tǒng)框架日趨成熟[43]。Tateno等人在LSD-SLAM的框架下開發(fā)的CNN-SLAM[44]是一種結(jié)合了傳統(tǒng)單目視覺SLAM框架并引入CNN進(jìn)行深度預(yù)測模塊從圖像中預(yù)測深度信息，該模塊能夠?qū)崟r生成稠密深度圖并在之后被整合到SLAM的地圖構(gòu)建和位姿估計中提高定位與精度，與之相類似使用CNN獲取深度信息的還有CodeSLAM[45]D3VO[46]等。

傳統(tǒng)的視覺SLAM方法通常基于環(huán)境相對靜態(tài)的假設(shè)，這使得在面臨動態(tài)復(fù)雜的場景時，而將語義信息引入視覺SLAM系統(tǒng)后能夠利用深度學(xué)習(xí)和語義信息對環(huán)境中的元素進(jìn)行識別和理解，從而更好地適應(yīng)環(huán)境的變化。A.Eslamian等結(jié)合了Detectron2目標(biāo)檢測算法和ORB-SLAM3框架提出的Det-SLAM[47]系統(tǒng)，它利用Detectron2識別出圖像中的動態(tài)物體并分割出物體的精確輪廓，從而實現(xiàn)對動態(tài)點的識別和分割；Bescos等研究者在ORB-SLAM2基礎(chǔ)上開發(fā)的DynaSLAM[48]是一種針對處理動態(tài)環(huán)境的視覺SLAM系統(tǒng)，該系統(tǒng)通過使用預(yù)訓(xùn)練的深度學(xué)習(xí)模型MaskR-CNN來對動態(tài)對象檢測、分割和分類；之后的DM-SLAM[49]在DynaSLAM基礎(chǔ)之上擴(kuò)充了多傳感器融合的能力用以增強(qiáng)SLAM過程的魯棒性和精度。但是無論是DM-SLAM還是DynaSLAM都是為每一幀單獨生成語義結(jié)果，這種分割方法存在冗余操作的問題，Chen[50]作出改進(jìn)策略，他只對關(guān)鍵幀分割，由于關(guān)鍵幀與其相鄰幀具有一定的時空一致性，因此關(guān)鍵幀的分割結(jié)果可以轉(zhuǎn)移到相鄰幀中以減少計算量[50]。此外深度學(xué)習(xí)與視覺SLAM結(jié)合的算法還有DVSO[51]、DSP-SLAM[52]、DeepSLAM[53]等等。

2.2 激光SLAM

激光SLAM按照維度可分為2D-SLAM和3D-SLAM。激光雷達(dá)能夠提供高精度的距離數(shù)據(jù)，這使得激光SLAM在復(fù)雜環(huán)境下的定位和建圖具有較高的準(zhǔn)確性和穩(wěn)定性。

2.2.1 2D-SLAM

2D-SLAM構(gòu)建的地圖主要形式為柵格地圖，它將環(huán)境分割成網(wǎng)格，每個網(wǎng)格表示一個特定區(qū)域的狀態(tài)，易于表示和處理，柵格地圖適用于平面環(huán)境。2D-SLAM首個算法是在90年代由Durrent-Whyte教授和TimBailey教授提出的EKF-SLAM[54]這是一種基于擴(kuò)展卡爾曼濾波器的方法在SLAM問題上的延伸，用于處理非線性優(yōu)化以及估計載體機(jī)器人的軌跡和環(huán)境地圖。隨后在2003年MichaelMontemerlo等人提出了一種基于粒子濾波器的方法Fast-SLAM[55]，與傳統(tǒng)的EKF-SLAM相比，F(xiàn)ast-SLAM通過粒子集合來估計機(jī)器人的軌跡以及地圖的構(gòu)建，能夠有效的處理非線性優(yōu)化問題和非高斯分布問題，且在復(fù)雜環(huán)境下表現(xiàn)更好。

在Fast-SLAM中使用了RBPF方法將SLAM問題分離為定位和建圖兩步，雖然這使得SLAM問題的復(fù)雜度降低了，但是在實際操作中存在著兩個主要問題，一是對粒子的數(shù)量以及位姿有較高要求，二是頻繁重采樣導(dǎo)致粒子的耗散問題。隨后提出的GMapping[56]是一種基于Fast-SLAM針對于柵格地圖的算法，GMapping可以動態(tài)的根據(jù)環(huán)境特征和載體機(jī)器人的運動情況調(diào)整粒子的數(shù)量，在需要更高精度的區(qū)域或者環(huán)境不明的情況下，會增加粒子的數(shù)量用以提高精度，而在相對穩(wěn)定的情況下會減少粒子數(shù)量降低計算成本；同時限制了重采樣的次數(shù)，盡量保證了粒子的多樣性，避免了所有粒子聚集在幾個區(qū)域?qū)е铝Ｗ油嘶膯栴}。GMapping是當(dāng)前應(yīng)用廣泛的2D-SLAM算法之一，在室內(nèi)地圖構(gòu)建有較高的精度尤其在長廊以及其他低特征環(huán)境下的建圖效果較好。

karto[57]是一種基于圖優(yōu)化理論的2D-SLAM方法，它使用高度優(yōu)化且非迭代的Cholesky矩陣分解作為優(yōu)化問題的求解器，并使用SqarePoseAdjustment進(jìn)行掃描匹配和回環(huán)檢測。Hector[58]是基于全局優(yōu)化的點云配準(zhǔn)方法，配準(zhǔn)時將當(dāng)前幀與已有的地圖數(shù)據(jù)構(gòu)建誤差函數(shù)，再求得最優(yōu)解，提高了匹配效率同時又保證了實時性。Google在Hector的基礎(chǔ)上開發(fā)的Cartographer[59改進(jìn)為三線性插值并使用了ceres庫求解非線性優(yōu)化問題，它是基于圖優(yōu)化的激光SLAM算法，同時支持2D/3DSLAM，且支持多種傳感器融合，是目前廣泛應(yīng)用的激光SLAM算法之一。在Cartographer中引入了submap（子圖）的概念，利用submap來組織整個地圖，能夠有效的避免在建圖過程中移動物體的干擾，同時采用了分支界限法進(jìn)行優(yōu)化搜索。

2.2.2 3D-SLAM

3D-SLAM中點云地圖是一種常見的地圖類型，它以點云數(shù)據(jù)的形式表示環(huán)境，該類型地圖主要由激光雷達(dá)采集到的點云構(gòu)建而成。由于激光雷達(dá)點云數(shù)據(jù)量龐大且不如圖像直觀，甚至從不同角度看兩幀相鄰點云在沒有明顯參照物的情況下很難辨別，同時由于點云數(shù)據(jù)量較大需要強(qiáng)大的計算單元與高效的算法，這使得3D-SLAM起步時并不順利，直到Zhang等在2014年提出的LOAM（lidarodometrymapping）算法，該算法是目前最具代表性的3D激光SLAM算法。LOAM為了提高效率，使用特征點法代替了傳統(tǒng)的icp、ndt。根據(jù)點的曲率來計算平面光滑度 Ψ_c 作為提取當(dāng)前幀的特征信息的指標(biāo)，得到平滑度這一指標(biāo)后，可以將特征點分為兩類，即平面點與邊緣點，這些特征點的選擇和匹配對后續(xù)的定位和建圖都至關(guān)重要，LOAM框架如圖3。

LOAM整體將定位與建圖分開處理，這有助于提高算法的效率和準(zhǔn)確性。通過分割這兩個過程，LOAM能夠更好的專注于每個任務(wù)，并能精準(zhǔn)地實現(xiàn)定位和建圖的功能，同時LOAM作為純激光SLAM也可以加入IMU模塊，這可以提供更準(zhǔn)確的運動估計和姿態(tài)信息。LOAM也存在著一些問題，最主要的是LOAM在特征提取、匹配和建圖的過程中需要大量的計算資源且沒有回環(huán)檢測功能，在長時間的運行中可能會出現(xiàn)定位累計誤差。因此2018年T.Shan提出了針對LOAM存在問題的LeGO-LOAM[61]（lightweight groundoptimizedLIDAR odometry mapping on variable terrain） 框架。LeGO-LOAM系統(tǒng)框架如圖4。

LeGO-LOAM算法框架的核心在于：分割、特征提取、激光雷達(dá)里程計、雷達(dá)建圖四部分。對比于LOAM，LeGO-LOAM的主要提升在于輕量級和地面優(yōu)化并且增加了回環(huán)檢測，輕量級表明它可以在低功率的嵌入式系統(tǒng)上實現(xiàn)實時的位姿估計，地面優(yōu)化優(yōu)點在于它集成了深度學(xué)習(xí)的方法來改進(jìn)特征提取和匹配的過程，首先對地面進(jìn)行分割，將非地面點分割出來，隨后基于分割出的點提取邊緣點和平面點而非原始點云，通過這種方法可以大幅提高點云配準(zhǔn)的速度準(zhǔn)確率。之后在2020年T.Shan又提出了LIO-SAM[6]算法，是一種基于因子圖構(gòu)建的激光-IMU緊耦合的框架，該框架可以看作LeGO-LOAM添加了IMU預(yù)積分因子和GPS因子的擴(kuò)展版本。激光雷達(dá)和慣性測量單元（inertialmeasurementunit，IMU）的融合可以克服激光SLAM過程中激光雷達(dá)垂直分辨率低、更新速率低以及由運動引起的失真等問題。

基于深度學(xué)習(xí)的激光SLAM算法主要體現(xiàn)在點云的特征提取、配準(zhǔn)、回環(huán)檢測以及語義點云地圖上，其中特征提取、配準(zhǔn)以及回環(huán)檢測已在第一部分說明。對于語義點云地圖，其目的在于賦予點云類別信息，幫助對環(huán)境的理解能力。如 SuMa+Δ^[63] 是第一個較為完善的點云語義SLAM系統(tǒng)，它利用RangeNet ⁺⁺ 對點云進(jìn)行語義分割剔除動態(tài)點，而后生成帶有語義標(biāo)簽的語義點云地圖;SegMap[64]利用數(shù)據(jù)驅(qū)動的描述符對點云數(shù)據(jù)進(jìn)行分割和描述同時構(gòu)建一個基于特征的環(huán)境表示，通過對地圖的精準(zhǔn)分割提高了地圖的準(zhǔn)確性和導(dǎo)航的可靠性。表4匯總了上述視覺/激光SLAM方案。

2.3 傳感器融合SLAM

在過去的20年中，盡管使用單個傳感器進(jìn)行實時狀態(tài)估計和建圖已經(jīng)取得了巨大成功，但是單傳感器由于設(shè)備特性以及外界環(huán)境的多變性始終存在一定的局限性，因此近些年來，基于激光雷達(dá)、視覺模塊的融合SLAM深受關(guān)注，同時耦合IMU模塊，提高他們各自的魯棒性與精度。根據(jù)融合的方式又可以分為緊耦合與松耦合，在松耦合系統(tǒng)中，傳感器的數(shù)據(jù)融合相對獨立，可以容易的添加或更換傳感器，每個模塊可以獨立運行，不會過度依賴其他模塊；而在緊耦合系統(tǒng)中，傳感器數(shù)據(jù)的輸出直接互相影響，并且互相之間融合的更加密切和復(fù)雜，這個過程通常需要較高的計算復(fù)雜度，但也同時也提供了更高的精度和魯棒性。

在 2023 年，TIAN[65]等改進(jìn)GMapping算法的多傳感器融合系統(tǒng)并引入了深度學(xué)習(xí)的閉環(huán)檢測算法提高了系統(tǒng)的整體性能，同時由于GMapping算法存在的粒子退化問題選擇性重采樣和KLD采樣交替進(jìn)行，并在室內(nèi)測試下改進(jìn)后的GMapping效果優(yōu)于經(jīng)典的Hector 算法與Cartographer 算法[65]。2021年T.Shan提出的LVI-SAM[6]框架，這是一種基于平滑化和映射實現(xiàn)的激光雷達(dá)-視覺-慣性導(dǎo)航緊耦合的里程計框架，能夠?qū)崿F(xiàn)高精度和魯棒性的實時狀態(tài)估計和地圖構(gòu)建。LVI-SAM可以看作是他在LIO-SAM工作的基礎(chǔ)上耦合了視覺慣性里程計，該算法建立于包含兩個子系統(tǒng)的因子圖上，即：視覺-IMU子系統(tǒng)（VIS）和激光-IMU子系統(tǒng)（LIS），視覺慣性里程計采用VINS-MONO，文獻(xiàn)[67]、[68]介紹了VINS-MONO在面臨特殊環(huán)境時的改進(jìn)。其中VIS利用LIS進(jìn)行初始化，利用激光雷達(dá)測量數(shù)據(jù)提取視覺特征的深度信息，反之，LIS利用VIS的估計結(jié)果作為描述匹配的初始值，回環(huán)檢測首先由VIS識別，再由LIS確認(rèn)。值得一提的是兩個子系統(tǒng)中任意一個失效，LVI-SAM任可以繼續(xù)工作，原因在于LVI-SAM可以通過故障檢測繞過失效的子系統(tǒng)，具有較強(qiáng)的魯棒性LVI-SAM更多的是在Lidar退化時，使用視覺里程計代替退化方向位姿同時LVI-SAM中丟棄了使用IMU預(yù)積分模塊預(yù)測值作為當(dāng)前前段里程計的初始值，預(yù)測值全部來自視覺里程計。

由圖5LVI-SAM框架可看出該系統(tǒng)接受3D激光雷達(dá)、攝像頭和IMU的輸入，可以分為兩個部分，也稱VIS和LIS，他們可以獨立工作，同時互相影響，利用彼此的信息來提高系統(tǒng)的精確性和魯棒性。

3視覺和激光SLAM典型應(yīng)用

當(dāng)前SLAM技術(shù)在各個領(lǐng)域的應(yīng)用都不斷拓展深化，在某些應(yīng)用中SLAM技術(shù)甚至是不可或缺的，例如：自動駕駛、增強(qiáng)現(xiàn)實（AR）、無人化裝備等。

3.1 自動駕駛

自動駕駛是當(dāng)前SLAM領(lǐng)域的研究熱門話題其作用于汽車中幫助車輛實時的感知周圍環(huán)境并確定自身的位置，從而進(jìn)行精確導(dǎo)航與避障，是當(dāng)前國內(nèi)外車企的研究的重點。國外無人駕駛技術(shù)的研發(fā)可以追溯到上世紀(jì)七十年代的研究所中，在谷歌于2009年宣布研發(fā)無人駕駛技術(shù)后眾多新興技術(shù)與企業(yè)紛紛加人無人駕駛領(lǐng)域，尤其是在2012年前后深度學(xué)習(xí)在圖像識別、場景理解等領(lǐng)域取得重大突破后，自動駕駛與深度學(xué)習(xí)的融合標(biāo)志著該領(lǐng)域的重大飛躍。2020年12月谷歌旗下的自動駕駛公司W(wǎng)aymo在經(jīng)過三年試點運行后正式全面開放了無人駕駛出租車服務(wù)；對比于Waymo旗下自動駕駛汽車搭載激光雷達(dá)的策略不同，Tesla堅信視覺的力量，其依賴擁有的大量場景數(shù)據(jù)和大規(guī)模算力（Dojo）基礎(chǔ)設(shè)施開發(fā)的輔助駕駛系統(tǒng)（Autopilot）和全自動駕駛系統(tǒng)（FSD）主要使用的攝像頭而并非傳統(tǒng)的激光雷達(dá)，這種方法依靠強(qiáng)大的神經(jīng)網(wǎng)絡(luò)來對實時圖像進(jìn)行解釋處理。

與歐美發(fā)達(dá)國家相比，我國在自動駕駛汽車方面的研究起步稍晚。當(dāng)前國內(nèi)自動駕駛用車主要應(yīng)用于半封閉式場景，且線路相對固定。如2021年，上海市首輛自動駕駛公交上線，其依賴SLAM、車聯(lián)網(wǎng)、GPS/北斗定位等技術(shù)以及四周與車頂?shù)募す饫走_(dá)、毫米波雷達(dá)等傳感器實現(xiàn)公交的智能駕駛以及智能調(diào)控；2022年，小馬智行和百度Apollo旗下的\"蘿卜快跑\"自動駕駛出租車在北京經(jīng)濟(jì)技術(shù)開發(fā)區(qū)試點商業(yè)化運行；2023年，滴滴旗下的KargoBot團(tuán)隊開發(fā)的智能列隊的卡車車隊自動駕駛，其中整個車隊進(jìn)行端到端的運輸工作且只需要一名駕駛員控制頭車后續(xù)就可以跟隨1＼～5輛L4級的自動駕駛汽車。

3.2 無人化裝備

無人化裝備（如：無人機(jī)、無人船等）通常根據(jù)攜帶傳感器模塊的不同執(zhí)行巡航、警戒、搜救等各種任務(wù)。

無人機(jī)通常在開闊的空中運動，需要面對復(fù)雜的空中動態(tài)環(huán)境。當(dāng)前無人機(jī)在民用領(lǐng)域廣泛應(yīng)用于航拍、農(nóng)業(yè)灌溉、地形地貌測繪、文旅表演等，國內(nèi)無人機(jī)產(chǎn)品具有代表性有大疆、億航等，如大疆DJIPhantom系列無人機(jī)便是配備的視覺SLAM系統(tǒng)主要用于航拍的產(chǎn)品。

隨著“海洋強(qiáng)國\"戰(zhàn)略的提出，無人船也逐步進(jìn)入人們的視野中且取得飛速發(fā)展。當(dāng)前國內(nèi)外有大量機(jī)構(gòu)進(jìn)行無人船技術(shù)的研發(fā)工作，如：美國諾格公司、法國ECA公司、中國云洲智能、美國海軍研究局、中國船舶重工旗下研究所、哈爾濱工業(yè)大學(xué)等。無人船按用途可以分為軍用和民用兩類，軍事上主要用于掃雷、反潛、情報偵察等，民用上則主要用于水文表演、測繪等。其中民用領(lǐng)域典型技術(shù)與成果如：哈工大研發(fā)的用于地貌測繪、信息采集的“天行一號\"無人船；云洲智能2022年發(fā)布的水上救生系統(tǒng)，該系統(tǒng)實時檢測水面情況，準(zhǔn)確識別到落水人員后自動釋放其研發(fā)的“海豚一號\"水面救生艇并自主規(guī)劃路線以 3m/s 的航速快速前進(jìn)到到溺水人員身旁，將其帶回安全地點;云洲 L30^° 瞭望者\"警戒巡航無人艇，其搭載了激光雷達(dá)、攝像頭、光電設(shè)備等多種傳感器和探照燈、救生圈等功能載荷，能夠在執(zhí)勤海域不間斷的巡航排查水域安全隱患，提高水上安保效率。當(dāng)前我國有世界上最大的海上智能船測試場：珠海的萬山無人船測試場，這些硬件條件為無人船產(chǎn)業(yè)發(fā)展提供了安全、全場景的測試平臺。

3.3 AR

AR（augmentedreality）增強(qiáng)現(xiàn)實技術(shù)通過視覺傳感器設(shè)備將虛擬信息應(yīng)用到真實世界，將真實環(huán)境與虛擬信息實時的疊加到一個空間中實現(xiàn)。這一功能的實現(xiàn)離不開SLAM技術(shù)的實時定位。2016年Google的ATAP團(tuán)隊研發(fā)的基于視覺SLAM技術(shù)的移動設(shè)備定位和增強(qiáng)現(xiàn)實項目Tango，這是一種匯聚了運動追蹤、區(qū)域?qū)W習(xí)、深度感知三大技術(shù)并將其融合到了移動端的SLAM技術(shù)。Tango平臺首部手機(jī)是聯(lián)想phab2pro，其配備了專用的深度感知攝像頭和運動傳感器，利用這些硬件可以體驗到增強(qiáng)現(xiàn)實的新領(lǐng)域，例如：虛擬家居布置、增強(qiáng)現(xiàn)實游戲等。表5匯總了近年來SLAM的研究與應(yīng)用進(jìn)展。

4視覺和激光SLAM發(fā)展趨勢

4.1 多傳感器融合SLAM

隨著技術(shù)的進(jìn)步，多傳感器融合已成為提高識別、導(dǎo)航和建圖的關(guān)鍵技術(shù)。不同類型的傳感器，如激光雷達(dá)、相機(jī)、紅外熱像儀、偏振光傳感器等等都有其獨特的感知優(yōu)勢和局限。通過將這些傳感器數(shù)據(jù)融合，可以互補(bǔ)各自的缺點，從而應(yīng)對復(fù)雜多變的外部環(huán)境。例如，激光雷達(dá)能夠提供精確的距離信息和高分辨的空間信息；熱像儀能夠在視野受限時捕捉環(huán)境中的熱能分布；偏振光傳感器則能提供關(guān)于光線散射與反射的獨特信息等等。常見傳感器融合方案如圖6。

激光雷達(dá)與可見光相機(jī)、紅外熱像儀、RGB-D相機(jī)、偏振光傳感器乃至震動傳感器融合可以產(chǎn)生不一樣的結(jié)果。例如BEV融合感知算法[78]，結(jié)合鳥瞰圖與激光雷達(dá)的點云特征進(jìn)行3D重建；Yang[79]等使用熱成像技術(shù)和地面激光雷達(dá)系統(tǒng)來記錄和重建三維空間中的大褐蜂飛行軌跡，這項研究初步證明了熱圖像分析和激光雷達(dá)森林重建技術(shù)的耦合能力。大部分同步定位和SLAM算法在靜態(tài)環(huán)境中表現(xiàn)良好，但在動態(tài)環(huán)境中容易失敗，對于資源受限的機(jī)器人來說，在動態(tài)環(huán)境中應(yīng)用穩(wěn)健的定位非常重要，針對此問題，JianhengLiu[80]提出了一個名為Dynamic-VINS的實時RGB-D慣性測距系統(tǒng)，在動態(tài)環(huán)境中展現(xiàn)出了較強(qiáng)的定位精度和魯棒性。石書堯[81]等針對多傳感器組合導(dǎo)航技術(shù)研究的難點構(gòu)建了GNSS拒止下特征稀疏的場景，借助偏振傳感器從大氣偏振模式中獲取絕對的航向角信息，引入光流傳感器彌補(bǔ)偏振傳感器無法獲取速度信息的不足。TakakiKiyozumi82]正在研究將激光雷達(dá)與振動結(jié)合起來，通過開發(fā)一種新的激光雷達(dá)配置使其能夠?qū)Ω咚僬駝游矬w進(jìn)行測量與識別。

隨著如今多傳感器融合逐漸被重視，隨之而來也出現(xiàn)了一系列問題。如：多傳感器融合后不同的數(shù)據(jù)之間時間同步以及外參標(biāo)定；在引入大量傳感器后隨著數(shù)據(jù)量增大，數(shù)據(jù)處理耗時會隨之增加，這對SLAM系統(tǒng)的實時性是一個考驗。

4.2 結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)SLAM

近年來隨著深度學(xué)習(xí)的飛速發(fā)展，出現(xiàn)了許多優(yōu)秀的深度學(xué)習(xí)網(wǎng)絡(luò)如YOLO、SegNet、MaskR-CNN、PSPNet、ICNet等[83]。深度學(xué)習(xí)網(wǎng)絡(luò)在感知、特征提取和語義理解方面的強(qiáng)大能力與SLAM系統(tǒng)在實時定位和地圖構(gòu)建任務(wù)中的優(yōu)越性相結(jié)合，用以實現(xiàn)更智能、更魯棒的自主定位建圖系統(tǒng)且已經(jīng)應(yīng)用于自動駕駛、無人艇巡航等任務(wù)。如：深度學(xué)習(xí)與視覺SLAM的優(yōu)勢而結(jié)合的語義SLAM，語義SLAM旨在通過識別周圍環(huán)境中的語義信息來增強(qiáng)傳統(tǒng)的SLAM算法，這不僅創(chuàng)建了環(huán)境的幾何地圖還將環(huán)境中的物體與語義標(biāo)簽相關(guān)聯(lián)，這種方式能夠使機(jī)器人更深層次的感知周圍環(huán)境信息。同時，傳統(tǒng)的視覺SLAM方法通常基于環(huán)境相對靜態(tài)的假設(shè)，這使得在面臨動態(tài)復(fù)雜的場景時，視覺SLAM的實時性與魯棒性始終得不到保障，而將語義信息與視覺SLAM結(jié)合卻能很好的處理上述問題。

神經(jīng)輻射場方法NeRF（neuralradiancefields）結(jié)合SLAM是近年來新興的方向，2021年提出的適用于RGB-D相機(jī)的iMAP[84]系統(tǒng)，該系統(tǒng)是真正意義上的NeRF-basedSLAM系統(tǒng)。其框架結(jié)構(gòu)與傳統(tǒng)的SLAM框架相類似并且其結(jié)構(gòu)參考了PTAM的Tracking和Mapping雙線程設(shè)計，在iMAP中一個線程負(fù)責(zé)實時的跟蹤相機(jī)的運動，另一個線程則專注于建立環(huán)境的三維地圖，這種分離模式確保了系統(tǒng)實時性與精確性之間的平衡，另外iMAP的核心創(chuàng)新之處在于它整合了NeRF技術(shù)，通過深度學(xué)習(xí)模型從RGB-D數(shù)據(jù)中重建連續(xù)的體積場景表示，不僅增強(qiáng)了地圖的精細(xì)度，而且改善了視覺效果。Ruan[85]提出的DN-SLAM3將ORB-SLAM3和基于instant-ngp框架的NeRF相結(jié)合致力于減輕動態(tài)目標(biāo)的影響并提高建圖精度。

自深度學(xué)習(xí)展現(xiàn)出強(qiáng)大優(yōu)勢后，眾多研究人員嘗試將端到端的深度學(xué)習(xí)思想應(yīng)用到整個SLAM系統(tǒng)中，但效果并不理想。主要影響因素有：SLAM系統(tǒng)對實時性有較高的要求，而對于大部分深度學(xué)習(xí)模型的訓(xùn)練都是較為耗時的；深度學(xué)習(xí)模型的訓(xùn)練需要大量的數(shù)據(jù)來支持，但SLAM系統(tǒng)往往需要在室內(nèi)外各種復(fù)雜多變的場景下運行，這對模型的泛化能力也是一種考驗。所以當(dāng)今大多深度學(xué)習(xí)的方法應(yīng)用到SLAM系統(tǒng)中的某一個環(huán)節(jié)，如前端的特征提取、回環(huán)檢測、局部地圖構(gòu)建等等。

5 結(jié)束語

本文綜述了當(dāng)前視覺SLAM和激光SLAM的核心技術(shù)、主要步驟、優(yōu)勢與挑戰(zhàn)，并對兩者進(jìn)行了綜合比較與發(fā)展前景分析。在機(jī)器人、自動駕駛等領(lǐng)域，SLAM技術(shù)作為實現(xiàn)自主導(dǎo)航與環(huán)境感知的關(guān)鍵技術(shù)，具有重要的研究與應(yīng)用價值。

視覺SLAM依賴于相機(jī)獲取圖像信息，具有成本低、信息豐富等特點，但是易于受到光照與環(huán)境因素影響。對比而言，激光SLAM則依賴于激光雷達(dá)的點云數(shù)據(jù)，具有高精度與高魯棒的優(yōu)點，但成本較高且數(shù)據(jù)處理復(fù)雜。當(dāng)前通常采用傳感器融合的方式來結(jié)合傳感器的優(yōu)點，在未來的研究中，需要進(jìn)一步提高SLAM系統(tǒng)的實時性與精度，通過硬件加速和算法優(yōu)化來解決計算復(fù)雜度的問題。此外，結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，可以增強(qiáng)SLAM系統(tǒng)在動態(tài)和復(fù)雜環(huán)境下的自主性和智能化水平。最終，隨著SLAM技術(shù)的不斷進(jìn)步，將為自主系統(tǒng)在各個領(lǐng)域的廣泛應(yīng)用提供堅實的技術(shù)支撐。

參考文獻(xiàn)

[1]顏普，曹昊宇，雷為好.基于改進(jìn)圖優(yōu)化的激光SLAM算法 [J].安徽大學(xué)學(xué)報（自然科學(xué)版），2023，47（4）：35-41. YANP，CAOHY，LEIWH.LaserSLAMalgorithmbased onimproved graph optimization[J].Journal Anhui University （Natural Science Edition），2023，47（4）：35-41.

[2]SMITH R C，CHEESEMAN P.On the representation estimation spatial uncertainty[J]. The international journal robotics research， 1986， 5（4）： 56-68.

[3]劉銘哲，徐光輝，唐堂，等.激光雷達(dá)SLAM算法綜述 [J/OL].計算機(jī)工程與應(yīng)用：1-17[2023-11-27]. LIUMZ，XUGH，TANGT，et.al.ReviewLiDARSLAM Algorithms[J/OL]. Computer Applications： 1- 17[2023-11-27].

[4]CHEN W，SHANGG，JIA，et al.An Overview on SLAM： From Tradition to Semantic[J]. Remote Sensing， 2022，14（13）：3010.

[5]WANG S，CLARKR，WENH， et al. DeepVO：Towardsendto-end visual odometry with deep recurrent convolutional neural networks[C]//2017 IEEE International Conference on ics Automation（ICRA）， Singapore，2017： 2043-2050.

[6]HANL，LINY，DUG， et al. DeepVIO：self-supervised deep learning monocular visual inertial odometry using 3D Geometric Constraints[C]//2019 IEEE/RSJ International Conference on Intelligent s Systems （IROS），2019： 6906-6913.

[7]ZHANG D， PENG T，LIU R， et al. Lightweight deep learning algorithm for visual odometry[C]//NAECON 2023-IEEE USA，2023： 210-213.

[8]王慶閃，張軍，劉元盛，等.基于NDT與ICP 結(jié)合的點云配 準(zhǔn)算法[J].計算機(jī)工程與應(yīng)用，2020，56（7）：88-95. WANG Q S，ZHANG J，LIU Y S，et al.Point cloud registration algorithm based on combination NDT ICP[J]. Computer Applications，2020， 56（7）： 88-95.

[9]齊含，劉元盛，宋慶鵬，等.基于深度學(xué)習(xí)的點云配準(zhǔn)方法綜 述[C]//中國計算機(jī)用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會.中國計算機(jī)用 戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2022年第二十六屆網(wǎng)絡(luò)新技術(shù)與應(yīng) 用年會論文集，2022：5. QI H，LIU Y S， SONG Q P，et al. A review point cloud registration methods based on deep learning [C]//China Computer Users Association Network Application Branch. Proceedings the 26th Annual Conference on New Network Technologies Applications， 2022： 5.

[10] QI CR， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification segmentation [C]//Proceedings the IEEE Conference on Computer Vision Pattern Recognition（CVPR），Honolulu，HI，USA，2017： 652-660.

[11] QI C R， LI Y， HAO S， et al. PointNet++： deep hierarchical feature learning onpoint setsina metricspace [C]//Proceedings the 31st International Conference on Neural Information Processing Systems（NeurIPS），Long Beach，CA，USA，2017： 5099-5108.

[12] ZHAO Y， CHEN H， ZEN L， et al. Effective stware security enhancement using an improved PointNet++[J]. Journal Systems Stware， 2023， 204： 111794.

[13] AOKI Y，GOFORTH H， SRIVATSAN R A，et al. PointNetLK： robust amp; efficient point cloud registration using pointNet[C]//2019 IEEE/CVF Conference on Computer Vision Pattern Recognition （CVPR）， Long Beach， CA， USA，2019： 7156-7165.

[14] WANG Y， SOLOMON J. Deep closest point： learning representationsforpointcloudregistration[C]/2019 IEEE/CVF International Conference on Computer Vision （ICCV），2019：3 522-3531.

[15] PAIS G D， RAMALINGAM S， GOVINDU V M， et al. 3DRegNet：A deep neural network for3Dpoint registration[C]//2020 IEEE/CVF Conference on Computer Vision Pattern Recognition （CVPR）， Seattle， WA， USA， 2020： 7191-7201.

[16] KALMAN R E.A new approach to linear filtering prediction problems[J]. Journal Basic ，1960， 82（1）： 35-45.

[17] SMITH R， SELF M， CHEESMAN P. Estimating uncertain spatial relationships in robotics [C]//Proceedings the Autonomous Vehicles.Springer，New York，NY，1990： 167-193.

[18]MOURIKIS A I，ROUMELIOTIS S I. A Multi-state constraint Kalmanfilterforvision-aidedinertial navigation [C]//Proceedings the 2007 IEEE International Conference on ics Automation， 2007： 3565-3572.

[19] THRUN S，LIU Y.Multi- SLAM with sparse extended information filters [C]//Proceedings the 11th International Symposium ics ，2003.

[20] JULIER S J， UHLMANN J K. A New Extension the Kalman filter to nonlinear systems [C]//Proceedings the AeroSense：The1thInternationalSymposiumon Aerospace/Defense Sensing， Simulation， s. SPIE， 1997： 182-193.

[21] LU F， MILIOS E. Globally consistent range scan alignment for environment mapping [J].Autonomous s，1997， 4： 333-349.

[22] KAESS M， RANGANATHAN A， DELLAERT F. iSAM： Incremental smoothing mapping[J]. IEEE Transactions on ics， 2008， 24（6）： 1365-1378.

[23] KAESS M， JOHANNSSON H， ROBERTS R， et al. iSAM2： incremental smoothing mapping with fluid relinearization incremental variable reordering [C]//Proceedings the 2011IEEE International Conference on ics Automation，2011： 3281-3288.

[24] ZHANG Y， HSIAO M， DONG J， et al. MR-iSAM2： incremental smoothing mapping with multi-root Bayes tree for multi-robot SLAM[C]/2021 IEEE/RSJ International Conference on Intelligent s Systems （IROS）， Prague， Czech Republic，2021： 8671-8678.

[25] AIBA K， TANAKA K， YAMAMOTO R. Detecting lmark misrecognition in Pose-Graph SLAM via minimum cost multicuts[C]//2022 IEEE 9th International Conference on Computational Intelligence Virtual Environments for MeasurementSystemsApplications（CIVEMSA）， Chemnitz， Germany，2022： 1-5.

[26] SHEKHAR R， JAWAHAR C V. Word image retrieval using bag visual words[C]/012 10th IAPR International Workshop on Document Analysis Systems， Gold Coast， QLD， Australia， 2012： 297-301.

[27] HE L， WANG X， ZHANG H. M2DP： A novel 3D point cloud descriptoritsapplicationinloopclosure detection[C]//2016 IEEE/RSJ Intermational Conference on Intelligent s Systems （IROS），Daejeon，Korea （South），2016： 231-237.

[28] CHEN X， LABE T， MILIOTO A，et al. OverlapNet： lop closingforLiDAR-basedSLAM[C]//Proceedings ics： Science Systems （RsS）， 2020.

[29] DAVISON A J，REID I D，MOLTON N D，et al. MonoSLAM： Real-time single camera SLAM[J]. IEEE Transactions on Pattern Analysis Machine Intelligence， 2007，29（6）： 1052-1067.

[30] KLEIN G， MURRAY D. Parallel tracking mapping for small AR workspaces[C]/2007 6th IEEE ACM International Symposium on Mixed Augmented Reality， Nara， Japan，2007： 225-234.

[31] MUR-ARTAL R， MONTIEL J M M， TARDOS J D. ORBSLAM：A versatile accurate monocular SLAM system[C]//IEEE Transactions on ics，2015，31（5）： 1147- 1163.

[32] MUR-ARTAL R， TARDOS J D. ORB-SLAM2： An opensource SLAM system for Monocular， Stereo， RGB-D cameras[J]. IEEE Transactions on ics，2017，33（5）： 1255-1262.

[33] CAMPOS C， ELVIRA R，RODRIGUEZ J J G， et al. ORBSLAM3：An accurate open-source library for ， -Inertial， multimap SLAM[J]. IEEE Transactions on ics，2021，37（6）： 1874-1890.

[34] JIANG X，YU F，SONG S， et al. On visual SLAMalgorithm basedonpoint-linefeaturesinweaktexture environment[C]//023 8th International Conferenceon Intelligent Computing Signal Processing （ICSP），Xi'an， China，2023：286-291.

[35] NEWCOMBE R A， LOVEGROVE S J，DAVISION A J. DTAM：Dense tracking mapping in real-time[C]/2011 International Conference on Computer Vision， Barcelona， Spain， 2011： 2320-2327.

[36]ENGEL J，SCHOPS T， CREMERS D. LSD-SLAM：LargeScale direct monocular SLAM [C]//Proceedings the Computer Vision-ECCV 2014， Zurich，Switzerl，2014： 834-849.

[37] FORSTER C， PIZZOLI M， SCARAMUZZA D. SVO： Fast semi-direct monocular visual odometry[C]//2014 IEEE International Conference on ics Automation （ICRA）， Hong Kong， China，2014： 15-22.

[38] ENGEL J，KOLTUN V， CREMERS D. Direct sparse odometry[J]. IEEE Transactions on Pattern Analysis Machine Intelligence，2018，40（3）： 611-625.

[39] QIN T，LI P， SHEN S. VINS-Mono： A Robust versatile monocularvisual-inertialstateestimator[J]. IEEE Transactions on ics， 2018， 34（4）： 1004-1020.

[40] LIU H， HUANG D D， GENG Z Y. odometry algorithm based on deep learning[C]//2021 6th International Conference on Image，Vision Computing （ICIVC），Qingdao， China， 2021： 322-327.

[41]王文森，黃鳳榮，王旭，等.基于深度學(xué)習(xí)的視覺慣性里程計 技術(shù)綜述[J].計算機(jī)科學(xué)與探索，2023，17（3）：549-560. WANG W S， HUANG F R， WANG X， et al. A survey on visual-inertialodometrytechnologybasedondeep learning[J]. Journal Computer Science Exploration， 2023，17（3）： 549-560.

[42] HU H， ZHANG Y， DUAN Q， et al. Loop closure detection for visual SLAM based on deep learming[C]//2017 IEEE 7th Annual International Conference on CYBER in Automation， ， Intelligent Systems （CYBER），

[43]黃澤霞，邵春莉.深度學(xué)習(xí)下的視覺SLAM綜述[J].機(jī)器 人，2023，45（6）： 756-768. HUANG Z X， SHAO CL.A review visual SLAM under deep learning[J].， 2023， 45（6）： 756-768.

[44] TATENOK，TOMBARIF，LAINA I， et al. CNN-SLAM： realtime dense monocularSLAMwith learned depth prediction[C]//2017 IEEE Conference on Computer Vision Pattern Recognition （CVPR）， Honolulu， HI， USA，2017： 6565-6574.

[45] BLOESCH M，CZARNOWSKI J，CLARK R，et al. CodeSLAM - learning a compact， optimisable representa-tion for dense visual SLAM[C]//Proceedings the 2018 IEEE/CVF Conference on Computer Vision Pattern Recognition，Salt Lake City，UT，USA，2018： 2560-2568.

[46] YANG N， STUMBERG L V， WANG R， et al. D3VO： deep depth， deep pose deep uncertainty for monocular visual odometry[C]//Proceedings the 2020 IEEE/CVF Conference on Computer Vision Pattern Recognition （CVPR）， Seattle， WA，USA，2020：1278-1289.

[47] ESLAMIAN A， AHMADZADEH M R. Det-SLAM： A semantic visual SLAM for highly dynamic scenes using Detectron2[C]//2022 8th Iranian Conference on Signal Processing Intelligent Systems （ICSPIS），Behshahr，2022： 1-5.

[48]BESCOS B，F(xiàn)ACIL JM，CIVERA J，et al.DynaSLAM： tracking， mapping， inpainting in dynamic scenes[J]. IEEE ics Automation Letters，2018， 3（4）： 4076-4083.

[49]李奧，王紀(jì)凱，陳宗海.DM-SLAM： A SLAM Towards DynamicEnvironment[C]//中國自動化學(xué)會系統(tǒng)仿真專業(yè) 委員會，中國仿真學(xué)會仿真技術(shù)應(yīng)用專業(yè)委員會.第21屆 中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集（CCSSTA21st 2020）.中國科學(xué)技術(shù)大學(xué)出版社，2020：5. LI A，WANG J K， CHEN Z H. DM-SLAM： A visual SLAM towardsdynamicenvironment[C]//System Simulation Pressional Committee China Association Automation， Simulation Application Pressional Committee China Simulation Federation. Proceedings the 21st Chinese Academic Conference on System Simulation ItsApplication （CCSSTA21st 2020）. University Science China Press， 2020： 5.

[50] CHENL，LING Z，GAO Y， et al. A Real-time semantic visual SLAM for dynamic environment based on deep learning dynamic probabilistic propagation [J].Complexamp; Intelligent Systems，2023，9（4）： 5653-5677.

[51] YANG N， WANG R， STUCKLER J. Deep Virtual stereo odometry： leveragingdeepdepthpredictionfor monoculardirect sparse odometry[C]/Proceedings the Computer Vision-ECCV 2018，Munich， Germany，2018： 835- 852.

[52] WANG J W，RUNZ M， AGAPITO L. DSP-SLAM： object oriented SLAM with deep shape priors [C]/Proceedings the 2021 IEEE/CVF Intermational Conference on Computer Vision （ICCV），Montreal， QC， Canada， 2021： 3410-3420.

[53] LI R，WANG S，GU D. DeepSLAM： A robust monocular SLAM system with unsupervised deep learning[J].IEEE Transactions on Industrial Electronics， 2021， 68（4）： 3577- 3587.

[54] DISSANAYAKE M W M G， NEWMAN P， CLARK S， et al. A solution to the simultaneous localization map building （SLAM） problem[J].IEEE Transactions on ics Automation， 2001， 17（3）： 229-241.

[55] MONTEMERLO M. FastSLAM： A factored solution to the simultaneous localization mapping problem with unknown data association [D].Pittsburgh： Carmegie Mellon University， 2003.

[56] GRISETTI G， STACHNISS C，BURGARD W. Improved techniques for grid mapping with Rao-Blackwelized particle filters[J]. IEEETransactions onics，20o7，23（1）：34-46.

[57] KONOLIGE K，GRISETTI G，KUMMERLE R，et al. Efficient sparse pose adjustment for 2D mapping[C]/2010 IEEE/RSJ International Conference on Intelligent s Systems，2010： 22-29.

[58] KOHLBRECHER S， VON STRYK O， MEYER J， et al. A flexible scalable SLAM system with full 3D motion estimation[C]/2011 IEEE Intermational Symposium on Safety， Security， Rescue ics，Kyoto， Japan， 2011： 155-160.

[59] HESS W， KOHLER D，RAPP H， et al. Real-time loop closure in2DLIDAR SLAM[C]//2016IEEE Intermational Conference on ics Automation （ICRA）， Stockholm， Sweden，2016：1271-1278.

[60] ZHANG J， SINGH S. LOAM： Lidar odometry mapping in real-time[C]/Proceedings the ics： Science Systems，Berkeley， CA，USA，2014： 1-9.

[61] SHAN T， ENGLOT B. LeGO-LOAM： Lightweight ground-optimized lidar odometry mapping on variable terrain[C]//2018 IEEE/RSJ International Conferenceon Intelligent s Systems （IROS），Madrid， Spain，2018： 4758-4765.

[62] SHAN T， ENGLOT B，MEYERS D.LIO-SAM： Tightlycoupledlidarinertial odometryviasmoothing mapping[C]/020 IEEE/RSJ International Conference on Intelligent s Systems （IROS）， Las Vegas，NV， USA， 2020： 5135-5142.

[63]CHEN X，MILIOTO A，PALAZZOLO E， et al. \"SuMa ⁺⁺ ： Efficient LiDAR-based Semantic SLAM[C]/2019 IEEE/RSJ International Conference on Intelligent s Systems （IROS），2019： 4530-4537.

[64] DUBE R， CRAMARIUC A， DUGAS D，et al. SegMap： Segment-based mapping localization using data-driven descriptors[J].TheInternational Journal ics ， 2020， 39（2-3）： 339-355.

[65] TIAN C， LIU H， LIU Z， et al. on multi-sensor fusion SLAM algorithm based on improved Gmapping[J]. IEEE Access，2023，11： 13690-13703.

[66] SHAN T，ENGLOTB， RATTIC， etal. LVI-SAM： Tightlycoupled lidar-visual-inertial odometry via smoothing mapping[C]/021IEEEInternational Conferenceon ics Automation （ICRA）， Xi'an， China，2021： 5692- 5698.

[67] ZHAO H， ZHENG R， LIU M， et al. Detecting loop closure usingenhancedimageforunderwater VINSMono[C]//Global s 2020： Singapore - U. S. Gulf Coast， Biloxi， MS，USA， 2020： 1-6.

[68] HE M， RAJKUMAR R R. Extended VINS-Mono：A systematic approach forabsolute relative vehicle localization in large-scale outdoor environments[C]//2021 IEEE/RSJ International Conference on Intelligent s Systems （IROS）， Prague， Czech Republic， 2021： 4861-4868.

[69]SAUERBECK F，KULMER D， PIELMEIER，et al. MultiLiDAR localization mappingpipeline forurban autonomous driving[C]//023 IEEE SENSORS，Vienna， Austria， 2023： 1-4.

[70] LU G， YANG H，LI J，et al.A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment[J].IEEE Access，2023，11： 12594-12606.

[71] KEDIA S，KARUMANCHI S H. Real-time autonomous vehicle navigation under unknown dynamics[C]//2023 IEEE 26th International Conference on Intelligent Transportation Systems （ITSC），Bilbao，Spain，2023：86-92.

[72]HU Z，ZHANG M，MENG J，et al.Semantic map-based localization USV Using LiDAR in berthing departing scene[C]//20237thInternationalConference on Transportation Information Safety （ICTIS）， Xi'an， China， 2023：583-589.

[73] ZHANG H， LIU Z Q， WANG Y L. U-LOAM： A real-time 3D Lidar SLAM systemforwater-surface scene applications[C]/022 IEEE International Conference on Unmanned Systems （ICUS）， Guangzhou， China， 2022： 653- 657.

[74]郭海艷，程亮，楊春利，等.面向水面無人艇的目標(biāo)檢測與船 舶分類系統(tǒng)研究[J].中國測試，2023，49（6）：114-121. GUO H Y， CHENG L， YANG C L， et al. on target detection ship classification system for unmanned surface vehicles[J]. China Measurement amp; Testing，2023， 49（6）： 114- 121.

[75] JI Y，DING Y，ZHOUJ， et al. Robust accurate multi-UAV cooperativesemanticSLAMleveraginglightweight YOLO[C]//2023 7th International Symposium on Computer Science Intelligent （ISCSIC），Nanjing，China， 2023： 155-159.

[76]王繼紅，吳伯彪，張亞超，等.視覺和慣導(dǎo)信息融合小型無人 機(jī)位姿估計研究[J].中國測試，2021，47（11）：134-140. WANG J H， WU B B， ZHANG Y C， et al. on pose estimation small UAVs based on visual inertial information fusion[J].China Measurementamp; Testing，2021， 47（11）： 134-140.

[77] SONKOLY B，NAGY B G， DOKA J， et al. Towards an edge cloud based coordination platform for Multi-User AR applications built on open-source SLAMs[C]//2023 IEEE Conference on Virtual Reality 3D User Interfaces Abstracts Workshops （VRW），Shanghai， China，2023： 923- 924.

[78] 肖榮春，劉元盛，張軍，等.BEV融合感知算法綜述[C]//中 國計算機(jī)用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2023年第二十七屆網(wǎng)絡(luò) 新技術(shù)與應(yīng)用年會，江蘇鎮(zhèn)江，2023. XIAO RC，LIU Y S，ZHANG J， et al. A Review BEV fusion perception algorithms [C]/Proceedings the 27th Annual Conference on New Network Technologies Applications，Zhenjiang，，China，2023.

[79] YANG X， SCHAAF C， STRAHLER A， et al. Study bat flight behavior by combining thermal image analysis with a LiDAR forest reconstruction[J]. Canadian Journal Remote Sensing，2013， 39（S1）： S1-S14.

[80]LIUJ，LIX，LIUY，et al.RGB-D inertial odometryfora resource-restricted robot in dynamic environments[J].IEEE ics Automation Let-ters， 2022， 7（4）： 9573-80.

[81]石書堯.慣性/雷達(dá)/偏振/光流組合導(dǎo)航與建圖方法研究 [D].北京：北方工業(yè)大學(xué)，2023. SHI S Y. on Inertial/Radar/Polarization/Optical Flow integrated navigation mapping methods [D].Beijing： North China University ，2023.

[82]KIYOZUMI T，MIYAMAE T，NODA K，et al.Pilot demonstration correlation-domain LiDAR for high-speed vibration detection[J]. APL Photonics，2021，6（10）：1-9.

[83] 羅元，沈吉祥，李方宇.動態(tài)環(huán)境下基于深度學(xué)習(xí)的視覺 SLAM研究綜述[J/OL].半導(dǎo)體光電：1-10. LUO Y， SHEN J X， LI F Y. A review visual SLAM based ondeeplearningin dynamicenvironments[J/OL]. Semiconductor Optoelectronics，2024，1-10.

[84] SUCAR E， LIU S， ORTIZ J， et al. iMAP： Implicit mapping positioninginreal-time[C]//2021 IEEE/CVF International Conferenceon Computer Vision （ICCV）， Montreal， QC，Canada，2021： 6209-6218.

[85] RUAN C， ZANG Q， ZHANG K， et al. DN-SLAM： A visual SLAM with ORB features NeRF mapping in dynamic environments[J]. IEEE Sensors Journal， 2024，24（4）：5279- 5287.

（編輯：劉楊）