激光雷达、单目摄像头、双目摄像头原理和优缺点

　　单眼相机定位的最大优点是价格便宜。定位有很多想法。有两种典型的：

（工业相机）

　　1）间接定位

　　运动对象可以间接定位，以识别一些静态对象作为参考。但这对机器人来说非常困难。因为外部环境通过摄像机向机器人传递的是数字信息，特别是像素点，所以很难通过识别物体来定位数字信息。

　　有一种易于实现的变体方案，即二维码方案。机器人可以很容易地识别二维码。机器人只能通过知道QR码的宽度（距离只能通过知道先验的大小来确定）和不同QR码表示的地标位置来判断距离。D相机可以很容易地计算出它的绝对位置。VR设备，如HTCVIVE，可以这样定位。该方案的不便之处在于，二维码是提前部署的。

　　2）单目SLAM

　　为了实现稳健的定位，单目SLAM需要分为两个阶段：前端视觉里程表和后端环回机制。该方案的问题包括初始规模和实际项目实施中的实时计算。

　　缩放问题是，因为2D没有深度信息，所以大小和距离可以按比例缩放。这是由成像理论的固有特性决定的SLAM。在初始化阶段，移动对象必须有一个平移动作来确定标尺基准。此标尺基准不能与测量单位“m，cm，mm”匹配。因此，只有自己的单元可用。随后的测绘和定位是基于该单元的，所建立的地图和定位在理论上可以按比例缩放。

　　计算的问题是SLAM算法本身的复杂性几乎无法在嵌入式设备上运行，计算资源基本耗尽。在实践中，我们可以探索算法并行计算，或者选择高性能计算平台。

　　单眼SLAM分为特征点法和直接法。考虑到周围环境的鲁棒性，一般采用特征点方法，即将人工设计的角度作为连续帧进行地标匹配。角度必须稀疏，因此建筑图纸仅用作定位的辅助地标，不能指导避障和导航。

　　主动式光线深度相机（3D）

　　在2Din2的基础上，这款相机增加了红外发射器和接收器DRGB，以增加像素的深度（距离）信息。微软著名产品Kinect和苹果最新手机产品IphoneX将为用户提供VR体验，以提高人脸识别FaceId的准确性。

　　深度相机的定位主要是深度SLAM方案。与单眼SLAM相比，由于每个像素都有深度信息，因此不存在缩放问题，移动对象不需要进行平移来进行初始化。利用深度信息，理论上可以进行致密化地图和三维建模。

　　它的缺点也很明显。除了2D相同算法的大量计算外，红外活动光很容易受到其他强光的影响，因此基本上被降级为室外的2D相机。对于玻璃等透明介质，无法获得深度信息。

　　双目摄像机

　　两个具有固定光学中心距离的摄像机。双目相机可以通过视差间接获得两个相机的公共视点像素的深度信息。双目摄像头更像人眼。人们可以通过眼睛直接估计前方物体的相对距离。对于计算机来说，根据视差的几何关系，可以计算两台相机同时拍摄的两帧图像的深度，以实现与主动光深度相机相同的效果。

　　与主动光深度相机相比，它的优点是受环境光影响较小，可以应用于户外自动驾驶汽车。缺点是不能直接获得像素的深度信息，并且需要大量的计算来计算视差几何关系。

　　双目相机本质上是深度相机，但获取深度信息的手段不同，因此深度也可以应用于位置SLAM方案。

　　激光雷达

　　激光雷达是定位的主流传感器。具有独立导航的室内清扫器的商业产品通常配备激光雷达。在自动驾驶领域，高精度地图的获取和定位应用采用多线激光雷达方案。

　　激光雷达分为单线和多线。单线雷达只能扫描一个平面障碍物，因此直接的结果是二维地图。多线雷达（16线、32线、64线）产品可以通过多个扫描表面的组合提供丰富的环境3D点云。

　　激光雷达定位主要基于激光SLAM算法。视觉SLAM与前雷达里程表和后回路检测和校正相同。

　　激光SLAM的CPU消耗远低于视觉SLAM，视觉SLAM更为稳健和稳定。例如，D激光SLAM可以在任何时候获得特定高度和水平的2D障碍物轮廓，因此在进行前方里程计时时，可以计算连续两帧的局部地图轮廓匹配，并且可以用相对较小的计算量获得相对位移。

　　激光扫描点具有高精度的深度信息，因此在优化后环时不需要直接优化位置处的观测值（扫描点云）。

　　对于视觉SLAM，无论是单眼SLAM通过三角测量计算的点云深度，还是深度SLAM获得的点深度，内部都存在大量噪声，因此优化需要优化和调整观察点和位置。

　　激光定位的缺点是受雨雾影响较大，透明介质无法获得准确的深度信息。