视觉 SLAM 中过滤方法与增量 SFM 的未来是什么
What is the future of filtering methods vs incremental-SFM in visual-SLAM
在Visual SLAM领域，有EKF/UKF/Particle-SLAM这个著名的解决方案，比如"mono-slam".
最近，有一个关于局部束调整 方法的方向，例如 lsd-slam 或 orb-slam ..
我的问题是：
Do the filtering ways still have a future or steady usage? in what applications? what are the pros/cons?
我阅读了这些论文，但未能得出最终答案，（主要是出于误解）：
P。 S.：我知道第一个是说 Local BA 不知何故更好，第二个很少提到过滤，所以..，就是这样..，它是 Visual-SLAM 中很棒的卡尔曼滤波器的终结吗地区？!!
没有，第二篇论文没有描述Visual-Slam中卡尔曼滤波器的结束。卡尔曼滤波器是高斯噪声最大似然估计器的一个特例。我想请您注意第二篇论文的第 4 页第 3 段。在那里，作者应该澄清卡尔曼滤波器和 MAP 都是最大似然估计的扩展。正如所写，这种洞察力只是隐含的。
不，卡尔曼滤波器仍然有它的用处。尽管 "visual SLAM: Why filter" 很有趣，因为它是第一篇（据我所知）进行数学上合理比较的论文，但您应该注意它只将束调整与非常具体的卡尔曼滤波器进行比较，例如包括点过滤器，而最先进的基于 EKF 的 odometry/slam 方法似乎表明这不是一个好主意。此外，您可以争辩说递归卡尔曼滤波器或多或少与束调整相同。
尽管卡尔曼滤波器在某些情况下在计算上存在劣势，但它的优势在于可以轻松地为您提供不确定性估计。在捆绑调整中获得非局部不确定性并非微不足道，并且会增加大量开销（参见示例 this paper，这实际上是我所知道的捆绑调整中唯一的不确定性传播。）。
卡尔曼滤波器的另一个优势是传感器融合非常简单。您或多或少必须将要估计的参数添加到状态向量中。有关实际在许多应用中使用的用于 IMU/Vision 融合的最先进卡尔曼滤波器的示例，请参阅 this paper。
但是，是的，SLAM 社区明显倾向于放弃基于卡尔曼的方法，除了在特定领域（实验传感器或大型传感器图，其中必须具有全局协方差等），但论点是通常有点虚弱。人们嘀咕着更好的实证结果，然后引用 "Visual SLAM: why filter"。我建议您阅读 the thesis from that paper's author。虽然他关于熵的理论论证很有说服力，但我仍然认为我们在引用那篇论文时必须非常谨慎，因为过滤器的上述特殊性。
在Visual SLAM领域，有EKF/UKF/Particle-SLAM这个著名的解决方案，比如"mono-slam".
最近，有一个关于局部束调整 方法的方向，例如 lsd-slam 或 orb-slam ..
我的问题是：
Do the filtering ways still have a future or steady usage? in what applications? what are the pros/cons?
我阅读了这些论文，但未能得出最终答案，（主要是出于误解）：
P。 S.：我知道第一个是说 Local BA 不知何故更好，第二个很少提到过滤，所以..，就是这样..，它是 Visual-SLAM 中很棒的卡尔曼滤波器的终结吗地区？!!
没有，第二篇论文没有描述Visual-Slam中卡尔曼滤波器的结束。卡尔曼滤波器是高斯噪声最大似然估计器的一个特例。我想请您注意第二篇论文的第 4 页第 3 段。在那里，作者应该澄清卡尔曼滤波器和 MAP 都是最大似然估计的扩展。正如所写，这种洞察力只是隐含的。
不，卡尔曼滤波器仍然有它的用处。尽管 "visual SLAM: Why filter" 很有趣，因为它是第一篇（据我所知）进行数学上合理比较的论文，但您应该注意它只将束调整与非常具体的卡尔曼滤波器进行比较，例如包括点过滤器，而最先进的基于 EKF 的 odometry/slam 方法似乎表明这不是一个好主意。此外，您可以争辩说递归卡尔曼滤波器或多或少与束调整相同。
尽管卡尔曼滤波器在某些情况下在计算上存在劣势，但它的优势在于可以轻松地为您提供不确定性估计。在捆绑调整中获得非局部不确定性并非微不足道，并且会增加大量开销（参见示例 this paper，这实际上是我所知道的捆绑调整中唯一的不确定性传播。）。
卡尔曼滤波器的另一个优势是传感器融合非常简单。您或多或少必须将要估计的参数添加到状态向量中。有关实际在许多应用中使用的用于 IMU/Vision 融合的最先进卡尔曼滤波器的示例，请参阅 this paper。
但是，是的，SLAM 社区明显倾向于放弃基于卡尔曼的方法，除了在特定领域（实验传感器或大型传感器图，其中必须具有全局协方差等），但论点是通常有点虚弱。人们嘀咕着更好的实证结果，然后引用 "Visual SLAM: why filter"。我建议您阅读 the thesis from that paper's author。虽然他关于熵的理论论证很有说服力，但我仍然认为我们在引用那篇论文时必须非常谨慎，因为过滤器的上述特殊性。