

开源项目概览

前言

随着 SLAM 技术在市场中的应用越来越广泛，越来越多的学者投身于 SLAM 的研究中。国内外的诸多大学相关实验室发布了许多研究成果，其中不少成果进行开源，并发布了许多相关的数据集用于算法的验证。在此，借用网络上大神 ^{1 2 3} 对各大学实验室的介绍引出研究成果进行归类。后续的篇幅主要是针对目前主要流行的的开源项目进行梳理。个人能力有限，如果哪些讲解和推导有问题劳请大神指出。

• 香港科技大学的 Aerial Robotics Group
  • VINS-Mono ：一种鲁棒且通用的实时单目视觉惯性状态估计框架
  • VINS-Fusion：一种基于优化的多传感器状态框架，可实现自主应用（无人机，汽车和 AR / VR）的精确自定位。VINS-Fusion 是 VINS-Mono 的扩展，支持多种视觉惯性传感器类型（单声道摄像机 + IMU，立体摄像机 + IMU，甚至仅限立体声摄像机
• 浙江大学CAD＆CG国家重点实验室的CVG（Computer Vision Group）
  • RKSLAM：用于AR的基于关键帧的鲁棒单目SLAM系统
  • LS-ACTS：大型自动相机跟踪系统，可以处理大型视频/序列数据集 https://github.com/zju3dv/ENFT ，https://github.com/zju3dv/SegmentBA ， https://github.com/zju3dv/ENFT-SfM
  • ACTS：自动相机跟踪系统
  • RDSLAM：是一个实时同步定位和建图系统，它允许场景的一部分是动态的或整个场景逐渐变化。与PTAM相比，RDSLAM不仅可以在动态环境中稳健地工作，而且还可以处理更大规模的场景（重建的3D点的数量可以是数万个）
• 清华大学自动化系宽带网络与数字媒体实验室 BBNC
• 中科院自动化研究所国家模式识别实验室 Robot Vision Group
• 英国伦敦大学帝国理工学院 Dyson 机器人实验室
  • ElasticFusion：一个实时的稠密的视觉 SLAM 系统，可以利用 RGB-D 相机来对房间进行全局一致的三维稠密重建
  • CodeSLAM：一种生成室内场景轨迹的大规模照片级真实渲染的系统
  • SceneNet RGB-D：一种生成室内场景轨迹的大规模照片级真实渲染的系统，数据集地址：https://robotvault.bitbucket.io/scenenet-rgbd.html
  • SemanticFusion：一种实时可视 SLAM 系统，能够使用卷积神经网络在语义上注释密集的 3D 场景
• 英国牛津大学 Active Vision Laboratory
  • PTAM：（并行跟踪和建图）用于增强现实的相机跟踪系统
• 英国牛津大学 Torr Vision Group
  • 交互式实时 3D 场景分割的框架：创建了一个只需使用廉价的硬件，就可以在半小时内捕获并重建整个房屋或实验室的建图系统
• 苏黎世联邦理工学院 Autonomous System Lab
  • libpointmatcher：一个模块化库，它实现了迭代最近点（ICP）算法，用于配准点云
  • libnabo：用于低维空间的快速K最近邻库
  • ethzaslsensorfusion：基于EKF的时延补偿单传感器和多传感器融合框架
  • ethzasl_ptam：用于单目SLAM的框架PTAM
• 苏黎世 Robotics and Perception Group
  • 视觉（惯性）里程计轨迹定量评估方法：通过视觉（ 惯性）里程计（VO / VIO）定量评估估计轨迹的质量
  • 基于高效数据的分布式视觉SLAM：该算法可实现使用便宜，轻便和多功能的相机进行分布式通信多机器人建图
  • Kalibr：相机惯导标定
• 慕尼黑工业大学 The Computer Vision Group
  • dvo_slam：提供了来自连续图像的RGB-D相机的刚体运动估计的实现方案
  • LSD-SLAM: Large-Scale Direct Monocular SLAM：一种直接单目SLAM建图技术
  • DSO: Direct Sparse Odometry：一种用于视觉里程计的新的直接稀疏建图方法
  • Basalt: Visual-Inertial Mapping with Non-Linear Factor Recovery：使用非线性因子恢复法从视觉 - 惯性里程计提取信息来进行视觉 - 惯性建图
• 德国弗莱堡大学 Autonomous Intelligent Systems
  • GMapping : 基于Bpf粒子滤波算法的滤波SLAM框架
  • RGBD SLAM2：是一个非常全面优秀的系统，将SLAM领域的图像特征、优化、闭环检测、点云、octomap等技术融为一体，非常适合RGBD SLAM初学者，也可以在其基础上继续开发
• 西班牙萨拉戈萨大学RoPeRT机器人，感知和实时组SLAM实验室
• 明尼苏达大学 Multiple Autonomous Robotic Systems Laboratory（MARS）
• 卡内基梅隆大学 Robot Perception Lab
  • isam：增量平滑和建图（iSAM），这是一种基于快速增量矩阵分解的同时定位和建图问题方法，通过更新自然稀疏平滑信息矩阵的QR分解来实现
• 斯坦福大学人工智能实验室自动驾驶团队
• 麻省理工大学计算机科学与人工智能实验室（CSAIL）海洋机器人组
• 宾夕法尼亚大学机械工程与应用力学系Vijay Kumar实验室
• 华盛顿大学 UW Robotics and State Estimation Lab
• 加拿大谢布鲁克大学 IntRoLab

开源项目列表

目录

参考

---

1. https://zhuanlan.zhihu.com/p/70066976 ↩

2. https://blog.csdn.net/mulinb/article/details/53421864 ↩

3. http://www.computervisionblog.com/2016/01/why-slam-matters-future-of-real-time.html ↩