目前室內RGB-D SLAM的sota方法有哪些呢？

由于室內場景的稠密三維重建是一個非常火熱的研究領域了，到目前為止出現了許許多多好的研究工作，恕能力和時間的限制，不能進行一一介紹，所以對目前一些比較常用的RGB-D SLAM解決方案進行介紹。

1.BundleFusion

BundleFusion是一種稠密的實時室內場景三維重建算法框架。輸入為RGB-D相機采集的并且是對齊好的RGB圖像和深度圖的數據流。輸出為重建好的稠密三維場景模型。

整個算法流程如下圖所示：

其優點在于重建效果在所有RGB-D SLAM中靠前，支持在GPU上實時魯棒跟蹤，可以在跟蹤失敗時移動到重建成功的地方進行重定位，匹配上后繼續跟蹤。

但是缺點在于由于成像傳感器存在噪音，稀疏關鍵點匹配可能產生小的局部誤匹配。這些誤匹配可能會在全局優化中傳播，導致誤差累積。實際重建時效果和所使用深度相機的性能、待重建場景的紋理豐富程度關系很大。

論文獲取地址：http://arxiv.org/pdf/1604.01093.pdf

項目地址：https://graphics.stanford.edu/projects/bundlefusion/

源碼獲取地址：https://github.com/niessner/BundleFusion

2.InfiniTAM

InfiniTAM是牛津大學于2016年發表的稠密SLAM方案，目前已經發展到了v3版本，該方案基于KinectFusion和體素塊哈希表發展而來。首先，InfiniTAM方案在建圖部分利用TSDF模型（截斷符號距離場）進行建模，只是在建模的時候，不是對整個空間都劃分等大小的網格，而是只在場景表面的周圍劃分網格，且只為待重建的表面上的體素塊分配顯存，并使用哈希表這一結構來管理GPU對體素塊的內存分配和數據訪問。通過這樣的方法，InfiniTAM 大大減小了稠密建圖對 GPU 的內存消耗，提升了算法效率。

算法流程如下圖所示：

項目地址：https://www.robots.ox.ac.uk/~victor/infinitam/index.html

代碼獲取地址：https://github.com/victorprad/InfiniTAM

3.RTAB-Map

RTAB-Map（基于外觀的實時映射）是一種基于RGB-D、立體和激光雷達的SLAM算法框架，它以基于外觀的增量閉環檢測為基礎。閉環檢測使用詞袋法來確定新圖像來自先前位置或新位置的可能性。當閉環檢測假設被接受時，一個新的約束將被添加到地圖的圖形中，然后圖形優化器將地圖中的誤差最小化。RTAB-Map可單獨與手持Kinect、立體攝像頭或3D激光雷達配合使用，用于6DoF地圖繪制；也可與配備激光測距儀的機器人配合使用，用于3DoF地圖繪制。

算法流程如下圖所示：

其優點在于定位精度很準，支持視覺、激光傳感器，支持跨平臺、ROS，在線處理

缺點在于魯棒性不是很好，如果建圖時間和重定位時間間隔得比較久，或者光線變化都很明顯的話，重定位會失敗。而且點云網格化用possion重建，不是主流的TSDF，速度會慢。

項目地址：https://introlab.github.io/rtabmap/

代碼獲取地址：https://github.com/introlab/rtabmap

4.ORB-SLAM3

在前作ORB-SLAM2的基礎上，大佬于2020年7月開源了ORB-SLAM3的論文和源碼。ORB-SLAM3支持的設備和功能更多，支持單目、雙目、RGB-D相機，針孔、魚眼，視覺慣性里程計，多地圖等，幾乎覆蓋了視覺SLAM各個分支。總體來說，ORB-SLAM3基本框架、代碼結構都是ORB-SLAM2的延伸，但是加入了很多新的方法，實現了更好的效果。

主要系統架構如下圖所示：

論文獲取地址：https://arxiv.org/pdf/2007.11898.pdf

審核編輯：黃飛