席永辉，胡士强

上海交通大学 航空航天学院，上海 200240

同时定位与地图创建（simultaneous localization and mapping，SLAM）是指机器人在未知的环境中，依靠自身携带的传感器完成自主定位与周围环境地图的创建[1]。近年来，基于视觉传感器的SLAM 在机器人和无人机的室内定位中得到了广泛的应用[2-4]。第一个实时的单目视觉SLAM系统[5]是在2007年提出的，前端跟踪稀疏的特征点，以扩展卡尔曼滤波为后端，实时更新相机的状态和路标点的位置，但是前端特征点容易跟丢，应用场景有限。同年，Klein 等人[6]提出了PTAM（parallel tracking and mapping），是第一个使用非线性优化的后端，并且实现了跟踪与地图创建的并行化，后续许多优秀的开源方案如Fast-SLAM[7]、ORB-SLAM2[8]都是在此基础上完成。然而，这些算法过度依赖环境的纹理信息，当遇到弱纹理的环境，会找不到足够多的匹配特征点，从而导致算法的精度降低甚至定位失败[9]。

针对弱纹理环境下特征缺失带来的问题，国内外的学者也做了大量的研究。李海丰等人[10]通过提取环境中的点、线、面特征，弥补环境中点特征不足带来的影响，但是匹配算法复杂，只适用于具有结构化的人造环境；Engel等人[11-12]利用直接法，直接对像素进行操作，不依赖纹理信息，但是算法容易受到光照变化的影响，相机不能运动过快，鲁棒性较弱。除了上述基于图像层面的研究方案，还有不少学者从系统结构的层面出发，引入惯性传感器去弥补视觉特征的缺失[13-14]，或者设计冗余结构，采用多位姿测量系统进行位姿估计[15]，但是前者在视觉特征长期缺失的情况下会产生较大的误差漂移，后者传感器的标定较难，系统结构庞大，不易于移植和维护。……