视觉SLAM算法对比

用户2423478

发布于 2025-10-28 13:11:01

1960

1. 纯视觉SLAM对比

纯视觉SLAM类别可分为两种主要方法：基于特征的方法和直接方法。视觉的SLAM系统基于二维图像处理，系统通过多视角获取数据，首先执行初始化流程以定义全局坐标系并重建初始地图。在基于特征的滤波算法中，第一步会将地图点初始化为高不确定性状态，这些点最终可能收敛到实际位置。随后进行目标跟踪，尝试估算相机位姿。与此同时，随着更多未知场景被观测，三维重建过程会持续添加新点位。仅视觉SLAM系统可采用单目相机或立体相机，基于单目相机的SLAM技术因其传感器体积小巧（所有方案中最小）、成本低廉、校准简便且功耗低等优势，但这类系统在初始化阶段较为复杂：首先需要至少两个不同视角来确定初始深度，其次还需解决位姿估计以及漂移和尺度估算等问题。而立体相机虽能通过单帧获取立体视图实现补偿，但其传感器体积比普通单目相机更大，且每帧处理需求更高——这主要源于立体匹配阶段所需的图像校正流程。

时间	算法	全称	特点	地图密度	全局优化	回环检测
2007	MonoSLAM	单目SLAM	第一个单目SLAM算法	稀疏	无	无
2007	PTAM	平行跟踪和测绘	第一个将跟踪和映射分成两个不同步骤的算法	稀疏	具备	无
2011	DTAM	密集跟踪和测绘	第一个完全直接的深度重建方法	稠密	无	无
2014	SVO	半直接视觉里程计	融合了基于特征方法与直接方法，包含两大核心模块：运动估计与深度映射	稀疏	无	无
2014	LSD-SLAM	大规模单目直接SLAM	实现半密集重建的直接算法，包含三个核心步骤：跟踪、深度图估计和地图优化	半稠密	具备	具备
2017	ORB-SLAM2	特征点检测与描述子算法	基于特征的算法，采用三线程并行处理机制：跟踪线程、局部地图构建线程和回环校正线程	稀疏	具备	具备
2017	CNN_VSLAM	卷积神经网络	第一个基于卷积神经网络SLAM，包含两个独立处理通道：一个在每帧输入中运行，另一个则专用于关键帧分析	半稠密	具备	具备
2018	DSO	直接稀疏里程计	将直接方法与稀疏重建技术相结合	稀疏	无	无

2. 纯视觉SLAM算法流程概述

MonoSLAM

PTAM

DTAM

SVO

LSD-SLAM

ORB-SLAM2

CNN-SLAM

DSO

3. VI-SLAM算法对比

VI-SLAM算法根据其后端处理方式存在不同实现方案，可分为基于过滤的和基于优化的两种类型。采用过滤型方法的VI-SLAM前端依赖特征提取技术，而基于优化的方法（亦称关键帧法）则依靠全局优化策略。

VI-SLAM算法通过惯性测量技术来估算结构和传感器的姿态，采用由陀螺仪、加速度计及磁力计组成的惯性测量单元（IMU），能够获取x、y、z轴方向上的角速率（陀螺仪）与加速度（加速度计）数据。

时间	算法	全称	特点	地图密度	全局优化	回环检测
2007	MSCKF	多状态约束卡尔曼滤波器	包含三大核心步骤：状态传播、图像配准与滤波器更新	稀疏	无	无
2014	LKVIS	基于关键帧的视觉惯性	通过将IMU数据与重投影项整合到目标函数中，是先构建局部地图，再根据关键点匹配区域选取后续关键帧	稀疏	无	无
2015	ROVIO	鲁棒视觉惯性里程计	采用扩展卡尔曼滤波（EKF）技术，通过IMU数据进行状态传播，并利用相机数据完成滤波更新	稀疏	无	无
2017	VIORB	视觉惯性ORB-SLAM	包含三大核心模块：跟踪模块、局部地图构建模块和环闭合模块	稀疏	具备	具备
2018	VI-DSO	视觉惯性直接稀疏里程计	构建非线性动态模型，将测光误差与惯性误差相结合	稀疏	无	无
2018	VINS-Mono	单目视觉-惯性系统	单目视觉-惯性状态估计器	稀疏	具备	具备
2020	ORB-SLAM3	ORB-SLAM3	融合了ORB-SLAM和VIORB两大算法	稀疏	具备	具备