視覺 SLAM

視覺 SLAM（visual SLAM）即時解決一個雞生蛋的問題：移動中的相機需要周遭的地圖才能知道自己在哪，但它得先知道自己在哪才能建那張地圖。SLAM 代表同步定位與建圖（Simultaneous Localization And Mapping），「視覺」意指主要感測器是相機。成果是一台機器人、無人機、手機或頭戴裝置，在穿越未知空間時，持續算出自身位姿（位置與朝向），同時逐步建構環境地圖——而且快到足以據以行動，一影格接一影格。

一個視覺 SLAM 系統有幾個協作的部件。前端（追蹤）處理每張進來的影格，藉由匹配特徵或直接對齊像素強度，估計相機相對於近期地圖的運動。後端（建圖）維護並精煉三維點與關鍵影格的地圖，通常以滑動視窗上的局部光束法平差來保持即時。關鍵的是，迴路閉合（loop-closure）模組能辨認相機何時重訪先前見過的地方；偵測到後，系統以一個全域最佳化（位姿圖最佳化）跨整條軌跡修正累積的漂移。迴路閉合正是 SLAM 與單純視覺里程計的區別所在，後者逐影格追蹤運動，卻任由小誤差累積而從不修正全域地圖。

方法依如何使用影像資訊而分流。基於特徵（間接）的 SLAM，以 ORB-SLAM 及其後繼為代表，擷取並匹配稀疏關鍵點（ORB 特徵），既穩健又被充分理解。直接法（LSD-SLAM、DSO）跳過特徵，以原始光度強度對齊影像，用上更多影像內容，在低紋理場景表現傑出。系統也依感測器而異：單眼 SLAM（一台相機，受尺度不確定性所苦）、立體 SLAM（由已知基線得到度量尺度），以及視覺慣性 SLAM（VIO／VI-SLAM），它融合慣性測量單元以回復度量尺度、處理快速運動並穩定追蹤——這是多數 AR 頭戴裝置與無人機背後的配置。

前沿已朝稠密與學習式地圖移動。最近的系統不再用稀疏點，而是建構稠密表面或隱式表示：基於 NeRF 的 SLAM（iMAP、NICE-SLAM）與高斯潑濺 SLAM 在線上最佳化一個照片級擬真的場景模型，而學習式特徵與匹配器（SuperPoint、SuperGlue／LightGlue）取代手工的以求穩健。長存的挑戰一如既往——快速運動與運動模糊、低紋理、違反靜態世界假設的動態物體、長軌跡上的漂移，以及追蹤丟失後可靠的重定位。