提綱如下：

單目SLAM難點

視覺SLAM難點

可能的解決思路

圖片中非原創部分均已加引用，請勿盜圖，轉載請私信告知。

單目slam的障礙來自于理論和實踐兩個方面。理論障礙可以看做是固有的，無法通過硬件選型或軟件算法來解決的，例如單目初始化和尺度問題。實踐問題包括計算量，視野等，可以依靠選型、算法、軟件設計等方法來優化。不過在同等硬件水平下，優化也存在極限的。比如對O(1)的算法不滿意從而設計O(1/n)的算法似乎是不可能的……

單目SLAM難點

單目的優點是成本低，最大的局限性是測不到空間物體的距離，只有一個圖像。所以早期視覺SLAM也被稱為“只有角度的SLAM”（Bearing Only）。距離在定位中至關重要，雙目和RGBD相機的使用就是為了能夠計算（或測量）這個距離。上一個圖你們直觀體會一下距離的重要性：

很顯然，沒有距離信息，我們不知道一個東西的遠近——所以也不知道它的大小。它可能是一個近處但很小的東西，也可能是一個遠處但很大的東西。只有一張圖像時，你沒法知道物體的實際大小——我們稱之為尺度（Scale）。

可以說，單目的局限性主要在于我們沒法確定尺度，而在雙目視覺、RGBD相機中，距離是可以被測量到的（當然測量也有一定的量程和精度限制）。雙目視覺和人眼類似，通過左右眼圖像的差異來計算距離——也就是所謂的立體視覺（Stereo）。RGBD則是把（通常是紅外）光投射到物體表面，再測量反射的信息來計算距離的。具體原理分結構光和ToF兩種，在此不多做解釋，還是上圖直觀感受一下。

距離未知導致單目SLAM存在以下問題：

需要初始化

尺度不確定

尺度漂移

而一旦我們擁有了距離信息，上述幾條就都不是問題，這也是雙目和RGBD存在的意義。下面分別講一下以上幾條。

---------------我是分割線-----------------

1.1 初始化

單目SLAM剛開始時，只有圖像間的信息，沒有三維空間的信息。于是一個基本問題就是：怎么通過兩張圖像確定相機自身運動，并且確定像素點的距離。這個問題稱為單目SLAM初始化問題。一般是通過匹配圖像特征來完成的。

匹配好的特征點給出了一組2D-2D像素點的對應關系，但由于是單目，沒有距離信息。初始化的意義是求取兩個圖像間的運動和特征點距離，所以初始化完畢后你就知道這些特征點的3D位置了。后續的相機運動就可以通過3D點-2D點的匹配信息來估計。后續的問題叫PnP（Perspective n Point）。

對，你想的沒錯，單目的流程就是：初始化——PnP——PnP——……

初始化的運動是通過對極幾何來求解的，結構是由三角測量得到的。初始化問題是一個2D-2D求運動和結構的問題，比3D-2D的PnP要難（信息更少，更不確定）。我不展開對極幾何求運動的原理，但是理解它，對理解單目局限性是很有幫助的。如題主感興趣，請看Multiple View Geometry第8章。如果在知乎上寫，會占掉很大的篇幅。

對極幾何最終會分解一個本質矩陣（Essential Matrix）（或基本矩陣（Fundametal Matrix））來得到相機運動。但分解的結果中，你會發現對平移量乘以任意非零常數，仍滿足對極約束。直觀地說，把運動和場景同時放大任意倍數，單目相機仍會觀察到同樣的圖像！這種做法在電影里很常見。例用用相機近距離拍攝建筑模型，影片看起來就像在真實的高樓大廈一樣（比如奧特曼打怪獸實際是兩個穿著特攝服裝的演員，多么無情的現實）。

這個事實稱為單目的尺度不確定性（Scale Ambiguity）。所以，我們會把初始化的平移當作單位1，而之后的運動和場景，都將以初始化時的平移為單位。然而這個單位具體是多少，我們不知道（攤手）。并且，在初始化分解本質矩陣時，平移和旋轉是乘在一起的。如果初始化時只有旋轉而沒有平移，初始化就失敗了——所以業界有種說法，叫做“看著一個人端相機的方式，就知道這個人有沒有研究過SLAM”。有經驗的人會盡量帶平移，沒經驗的都是原地打轉……

所以，從應用上來說，單目需要一個帶平移的初始化過程，且存在尺度不確定問題，這是它理論上的障礙。

員工：老板你這樣移動相機不行啊，要有平移的……

老板：我花20k請你來做slam，一個初始化都搞不定？

1.2 結構問題

由于單目沒有距離信息，所有特征點在第一次出現時都只有一個2d投影，實際的位置可能出現在光心與投影連線的任意一處。只有在相機運動起來以后，才可能通過三角測量，估計特征點的距離。

三角測量的應用范圍很廣，傳說高斯在十幾歲的時候就已經用最小二乘法測量山的距離，來吊打這些二十大幾還在水paper的博士們。現代天文學測星星的距離也使用三角測量。

然而三角測量的前提是——你得有三角啊。

高斯用三角測量是站在兩座山上去量另一座，這就構成了三角。雙目視覺左右兩個相機，存在一定的平移，和目標點也構成了三角。但在單目情形下，你必須移動相機之后，才可能去估計空間點的3D位置。換句話說，如果相機擺在那兒不動——就沒有三角了。這導致單目在機器人避障中應用存在困難，不過既然在談AR我們就先不說機器人吧。

1.3 尺度漂移

用單目估計出來的位移，與真實世界相差一個比例，叫做尺度。這個比例在初始化時確定，但單純靠視覺無法確定這個比例到底有多大。進而，由于SLAM過程中噪聲的影響，這個比例還不是固定不變的。當你用單目SLAM，會發現，咦怎么跑著跑著地圖越來越小了……

這種現象在當前state-of-the-art的單目開源方案出亦會出現，修正方法是通過回環檢測。但是有沒有出現回環，則要看實際的運動方式。所以……

員工：老板你這樣移動相機不行啊，要經常把它移回去……

老板：我花20k請你來做slam，怎么搞的地圖一會兒大一會兒小，這怎么用？

---------------我是分割線-----------------

視覺SLAM的困難

雙目相機和RGBD相機能夠測量深度數據，于是就不存在初始化和尺度上的問題了。但是，整個視覺SLAM的應用中，存在一些共同的困難，主要包括以下幾條：

相機運動太快

相機視野不夠

計算量太大

遮擋

特征缺失

動態物體或光源干擾

2.1 運動太快

運動太快可能導致相機圖像出現運動模糊，成像質量下降。傳統卷簾快門式的相機，在運動較快時將產生明顯的模糊現象。不過現在我們有全局快門的相機了，即使動起來也不會模糊的相機，只是價格貴一些。

（你真以為啥圖都可以用來SLAM嗎？拿衣服啊，圖片來自TUM數據集）

（全局快門相機在拍攝高速運動的物體仍是清晰的，圖片來自網絡）

運動過快的另一個結果就是兩個圖像的重疊區（Overlap）不夠，導致沒法匹配上特征。所以視覺SLAM中都會選用廣角、魚眼、全景相機，或者干脆多放幾個相機。

2.2 相機視野不夠

如前所述，視野不夠可能導致算法易丟失。畢竟特征匹配的前提是圖像間真的存在共有的特征。

2.3 計算量太大

基于特征點的SLAM大部分時間會花在特征提取和匹配上，所以把這部分代碼寫得非常高效是很有幫助的。這里就有很多奇技淫巧可以用了，比如選擇一些容易計算的特征/并行化/利用指令集/放到硬件上計算等等，當然最直接的就是減少特征點啦。這部分很需要工程上的測試和經驗?？偠灾卣鼽c的計算仍然是主要瓶頸所在。要是哪天相機直接輸出特征點就更好了。

2.4 遮擋

相機可能運動到一個墻角，還存在一些邪惡的開發者刻意地用手去擋住你的相機。他們認為你的視覺SLAM即使不靠圖像也能順利地工作。這些觀念是毫無道理的，所以直接無視他們即可。

2.5 特征缺失、動態光源和人物的干擾

老實說SLAM應用還沒有走到這一步，這些多數是研究論文關心的話題（比如直接法）?，F在AR能夠穩定地在室內運行就已經很了不起了。

---------------我是分割線-----------------

可能的解決思路

前邊總結了一些單目視覺可能碰到的困難。我們發現大部分問題并不能在當下的視覺方案能夠解決的。你或許可以通過一些工程技巧加速特征匹配的過程，但像尺度、遮擋之類的問題，明顯無法通過設計軟件來解決。

所以怎么辦呢？——既然視覺解決不了，那就靠別的來解決吧。畢竟一臺設備上又不是只有一塊單目相機。更常見的方案是，用視覺+IMU的方式做SLAM。

當前廣角單目+IMU被認為是一種很好的解決方案。它價格比較低廉，IMU能在以下幾點很好地幫助視覺SLAM：

IMU能幫單目確定尺度

IMU能測量快速的運動

IMU在相機被遮擋時亦能提供短時間的位姿估計

所以不管在理論還是應用上，都出現了一些單目+IMU的方案[2,3,4]。眾所周知的Tango和Hololens亦是IMU+單目/多目的定位方式。

（用Tango玩MC，缺點是蓋的房子尺寸和真實世界一樣。蓋二樓你就得真跑到樓上去蓋——這怎么造圓明園？）

（這貨就是靠后邊這魚眼+IMU做跟蹤的）

（Hololens圖就不上了吧……橫豎也不是自己的）