移动端AR的适用分析（二）

移动端AR的适用分析（二）
1. 单目SLAM难点
2. 视觉SLAM难点
3. 可能的解决思路
单目slam的障碍来自于理论和实践两个方面。理论障碍可以看做是固有的，无法通过硬件选型或软件算法来解决的，例如单目初始化和尺度问题。实践问题包括计算量，视野等，可以依靠选型、算法、软件设计等方法来优化。不过在同等硬件水平下，优化也存在极限的。比如对O(1)的算法不满意从而设计O(1/n)的算法似乎是不可能的……

1. 单目SLAM难点
单目的优点是成本低，最大的局限性是测不到空间物体的距离，只有一个图像。所以早期视觉SLAM也被称为“只有角度的SLAM”（Bearing Only）。距离在定位中至关重要，双目和RGBD相机的使用就是为了能够计算（或测量）这个距离。上一个图你们直观体会一下距离的重要性：

很显然，没有距离信息，我们不知道一个东西的远近——所以也不知道它的大小。它可能是一个近处但很小的东西，也可能是一个远处但很大的东西。只有一张图像时，你没法知道物体的实际大小——我们称之为尺度（Scale）。
可以说，单目的局限性主要在于我们没法确定尺度，而在双目视觉、RGBD相机中，距离是可以被测量到的（当然测量也有一定的量程和精度限制）。双目视觉和人眼类似，通过左右眼图像的差异来计算距离——也就是所谓的立体视觉（Stereo）。RGBD则是把（通常是红外）光投射到物体表面，再测量反射的信息来计算距离的。具体原理分结构光和ToF两种，在此不多做解释，还是上图直观感受一下。

距离未知导致单目SLAM存在以下问题：

1. 需要初始化
2. 尺度不确定
3. 尺度漂移

而一旦我们拥有了距离信息，上述几条就都不是问题，这也是双目和RGBD存在的意义。下面分别讲一下以上几条。
---------------我是分割线-----------------
1.1 初始化
单目SLAM刚开始时，只有图像间的信息，没有三维空间的信息。于是一个基本问题就是：怎么通过两张图像确定相机自身运动，并且确定像素点的距离。这个问题称为单目SLAM初始化问题。一般是通过匹配图像特征来完成的。匹配好的特征点给出了一组2D-2D像素点的对应关系，但由于是单目，没有距离信息。初始化的意义是求取两个图像间的运动和特征点距离，所以初始化完毕后你就知道这些特征点的3D位置了。后续的相机运动就可以通过3D点-2D点的匹配信息来估计。后续的问题叫PnP（Perspective n Point）。
对，你想的没错，单目的流程就是：初始化——PnP——PnP——……

初始化的运动是通过对极几何来求解的，结构是由三角测量得到的。初始化问题是一个2D-2D求运动和结构的问题，比3D-2D的PnP要难（信息更少，更不确定）。我不展开对极几何求运动的原理，但是理解它，对理解单目局限性是很有帮助的。如题主感兴趣，请看Multiple View Geometry第8章。如果在知乎上写，会占掉很大的篇幅。

1.2 运动问题
对极几何最终会分解一个本质矩阵（Essential Matrix）（或基本矩阵（Fundametal Matrix））来得到相机运动。但分解的结果中，你会发现对平移量乘以任意非零常数，仍满足对极约束。直观地说，把运动和场景同时放大任意倍数，单目相机仍会观察到同样的图像！这种做法在电影里很常见。例用用相机近距离拍摄建筑模型，影片看起来就像在真实的高楼大厦一样（比如奥特曼打怪兽实际是两个穿着特摄服装的演员，多么无情的现实）。
这个事实称为单目的尺度不确定性（Scale Ambiguity）。所以，我们会把初始化的平移当作单位1，而之后的运动和场景，都将以初始化时的平移为单位。然而这个单位具体是多少，我们不知道（摊手）。并且，在初始化分解本质矩阵时，平移和旋转是乘在一起的。如果初始化时只有旋转而没有平移，初始化就失败了——所以业界有种说法，叫做“看着一个人端相机的方式，就知道这个人有没有研究过SLAM”。有经验的人会尽量带平移，没经验的都是原地打转……
所以，从应用上来说，单目需要一个带平移的初始化过程，且存在尺度不确定问题，这是它理论上的障碍。

1.2 结构问题
由于单目没有距离信息，所有特征点在第一次出现时都只有一个2d投影，实际的位置可能出现在光心与投影连线的任意一处。只有在相机运动起来以后，才可能通过三角测量，估计特征点的距离。
1.3 尺度漂移
用单目估计出来的位移，与真实世界相差一个比例，叫做尺度。这个比例在初始化时确定，但单纯靠视觉无法确定这个比例到底有多大。进而，由于SLAM过程中噪声的影响，这个比♂例还不是固定不变的。当你用单目SLAM，会发现，咦怎么跑着跑着地图越来越小了

这种现象在当前state-of-the-art的单目开源方案出亦会出现，修正方法是通过回环检测。但是有没有出现回环，则要看实际的运动方式。所以……

2. 视觉SLAM的困难
双目相机和RGBD相机能够测量深度数据，于是就不存在初始化和尺度上的问题了。但是，整个视觉SLAM的应用中，存在一些共同的困难，主要包括以下几条：

1.手机处理速度
2.手机卷帘相机
3.人体移动速度
4.手机移动方向
5.多款相机参数难以统一（android)
目前市面上的android手机多种多样，硬件越来越强大，使用人数也是最多，同时也有前人经验将orb-SLAM2移植到手机上的经验，移植过的人因该都知道，使用的时候，加载词袋模型需要花费20s时间，变成二进制文件也是缓慢，然后出来效果是每秒11（记不太请），慢的可以，然后果断放弃了。

一个彻底的方式：

然后 开始在手机端重写几乎所有算法，框架仿照ORB-SLAM2，以用来更加容易的适用手机的所有的特性，若是想要达到实时效果或者稍有延迟，只有两种路可以选择 1,降低图像的采样率 2,增加手机处理速度，面对需要用在实际中的项目，只有采用谦前者，果断采用每秒10帧采样，并对图像进行压缩，并使用多线程处理，结果效果不好，采样率只有再降～，采样降低势必造成一些精度损失，只能使用其他传感器进行弥补，所以走到了多传感器融合的道路。

然后就是手机相机了，卷帘相机，确实是个头疼的问题，走快了，图像花的不行，发生严重畸变，所有自己就写了个算法对可以用和不可用进行处理，并完善采样过程中的不足，但是依然没有彻底解决，但是解决了不少。

其中一些难点的解决思路。 1. 计算量大：我们从优化算法（采用FAST+SSD提取特征点），使用simd指令集，通过内存换时间这三方面来提升。 2. 单目初始化：我们结合了IMU来解决，首先找到一个平面，然后再从这个平面上来构建地图，这样就不需要平移相机了。 3. 纯旋转：单目通过算法可以解决一部分，可参考《Robust Keyframe-based Monocular SLAM for Augmented Reality 》 ，里面写得很详细。 4. 遮挡和动态物体，特征缺失、动态光源和人物的干扰：首先把屏幕分成区域，使跟踪的特征点均匀分布在这些区域里，再在算法里面进行检测，那么一直在运动的特征点就会被排除掉（加入深度信息后，这个特点胡得到一个很有效的解决，在208年的SLAM大会上CAD&CG国家重点实验室的研究成果显示，深度学习融合深度可以有效地解决这个问题。 5. 回环检测：类似ptam处理，为每一个关键帧创建了一个Small Blurry Image，在回环检测线程里，随时比对两个SBI是否一致，来判断是否回环。 6. 尺度问题：我们采用的是相对尺度，单目+IMU可以解决这个问题，ARKit的绝对尺度做得很不错.

手机移动方向，手机移动方向是个大问题，实际用的时候不能总是手拿着相机不动吧，不现实，Tango不知道怎么做到的，一直研究。要注意：回环检测一定要适合自己系统重写！！，识别不同场景，目前开源的所有算法几乎都尝试过，不是前期库加载太慢，就是效率太低，无法使用！！优化算法可以研究后进行移植，适合自己的，我用的是g2o。再就是手机花费最多的时间是mapping过程，这个过程是将手机形成的三维点进行对帧之间的对照，也就是说是寻找一个三维点被那几个帧看到了，从而进行优化，一定要注意！！！这里最好解决的就是手机参数了，简单粗暴，每个手机都校准一下呗，然后写到数据库中，这里就怀念iphone了，就那么几种型号，怪不的好多做视觉的都使用iphone补充: 注意尺度问题，我推荐使用IMU进行对尺度补充，可以降低计算成本！！

2.1 运动太快

运动太快可能导致相机图像出现运动模糊，成像质量下降。传统卷帘快门式的相机，在运动较快时将产生明显的模糊现象。不过现在我们有全局快门的相机了，即使动起来也不会模糊的相机，只是价格贵一些。

（全局快门相机在拍摄高速运动的物体仍是清晰的）

运动过快的另一个结果就是两个图像的重叠区（Overlap）不够，导致没法匹配上特征。所以视觉SLAM中都会选用广角、鱼眼、全景相机，或者干脆多放几个相机。

2.2 相机视野不够

如前所述，视野不够可能导致算法易丢失。毕竟特征匹配的前提是图像间真的存在共有的特征。

2.3 计算量太大

基于特征点的SLAM大部分时间会花在特征提取和匹配上，所以把这部分代码写得非常高效是很有帮助的。这里就有很多奇技淫巧可以用了，比如选择一些容易计算的特征/并行化/利用指令集/放到硬件上计算等等，当然最直接的就是减少特征点啦。这部分很需要工程上的测试和经验。总而言之特征点的计算仍然是主要瓶颈所在。要是哪天相机直接输出特征点就更好了。

2.4 遮挡

相机可能运动到一个墙角，还存在一些邪恶的开发者刻意地用手去挡住你的相机。他们认为你的视觉SLAM即使不靠图像也能顺利地工作。这些观念是毫无道理的，所以直接无视他们即可。

2.5 特征缺失、动态光源和人物的干扰

老实说SLAM应用还没有走到这一步，这些多数是研究论文关心的话题（比如直接法）。现在AR能够稳定地在室内运行就已经很了不起了。

3. 可能的解决思路

前边总结了一些单目视觉可能碰到的困难。我们发现大部分问题并不能在当下的视觉方案能够解决的。你或许可以通过一些工程技巧加速特征匹配的过程，但像尺度、遮挡之类的问题，明显无法通过设计软件来解决。所以怎么办呢？——既然视觉解决不了，那就靠别的来解决吧。毕竟一台设备上又不是只有一块单目相机。更常见的方案是，用视觉+IMU的方式做SLAM。广角单目+IMU被认为是一种很好的解决方案。它价格比较低廉，IMU能在以下几点很好地帮助视觉SLAM：

• IMU能帮单目确定尺度
• IMU能测量快速的运动
• IMU在相机被遮挡时亦能提供短时间的位姿估计

所以不管在理论还是应用上，都出现了一些单目+IMU的方案[2,3,4]。众所周知的Tango和Hololens亦是IMU+单目/多目的定位方式（在2018年全国slam论坛见到前TANGO时表示，这个问题是另一种底层技术，特点描述为低帧运行，高帧显示的技术。用Tango玩MC，缺点是盖的房子尺寸和真实世界一样。盖二楼你就得真跑到楼上去盖——这怎么造圆明园？）

（这货就是靠后边这鱼眼+IMU做跟踪的）
reference:

1. Strasdat, Montiel, A.J.Davison, Scale drift-aware large scale monocular SLAM, RSS 2006.
2. Leutenegger et. al., Keyframe-based visual-inertial odometry using nonlinear optimization, IJRR 2015.
3. Huang Guoquan, Kaess and Leonard, Towards Consistent Visual-Inertial Navigation, ICRA 2014.
4. Li Mingyang and Mourikis, High-precision, consistent EKF-based visual-inertial odometry, IJRR, 2013.
5. ORB-SLAM: a Versatile and Accurate
6. Monocular SLAM System
7. [Monocular Visual-Inertial State Estimation for Mobile Augmented Reality
8. A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation
9. Robust Keyframe-based Monocular SLAM for Augmented Reality
10. Parallel Tracking and Mapping on a Camera Phone
11. gaoxiang视觉SLAM十四讲