视觉slam和vio是什么关系？

VIO属于视觉slam的进阶版，因此VIO在应用上弥补了视觉SLAM中的缺陷，在很多最新的无人机、自动驾驶、机器人领域都在使用VIO技术。接下来老师为同学们详细介绍一下SLAM和VIO不知道该如何区分以及请问他们是什么关系。

SLAM和VIO应该该如何区分

1、定义区别

SLAM

SLAM的英文全名叫做Simultaneous Localization and Mapping，中文名是同时定位与建图，从字面上来看就是同时解决定位和地图构建问题。

定位主要是解决“在什么地方”的问题，比如你目前在哪国哪省哪市哪区哪路哪栋几号几楼哪个房间哪个角落。

建图主要是解决“周围环境是什么样”的问题，你可以回忆一下百度高德地图，甚至一些景点的手绘地图。

VIO

VIO（Visual-Inertial Odometry）：以视觉和IMU融合的方法实现定位的里程计

接下来介绍VIO使用到的两个信息

1. IMU（Inertial MeasureMent Unit）惯性测量单元

2. 视觉信息

2、优劣势对比

VIO优势和劣势

视觉定位的优点在于不会产生漂移，可以直接测量旋转和平移；缺点在于当存在外界图像遮挡、且运动物体干扰时影响较大，定位不准；当使用单目视觉进行测量时还存在尺度不确定性的问题，而且单目视觉定位无法估计纯旋转运动；当相机快速运动时定位容易丢失。

IMU的优点在于输出频率高（100hz以上）能够快速响应，受外界影响小（不受成像质量影响），角速度普遍比较准确，并且可估计绝对尺度；缺点在于IMU受温度影响，存在零偏；并且使用低精度IMU得到积分容易发散，长时间跟踪容易产生累积漂移。而高精度的IMU价格比较昂贵。

VIO根据融合框架的区别可以分为紧耦合和松耦合，其中松耦合的视觉运动估计和惯导运动估计系统是两个单独的系统模块，将每个模块输出的结果进行融合，而紧耦合则中的两个传感器原始数据估计一组变量，传感器噪声也是相互影响的，该算法充分利用了传感器数据，可以实现更好的效果，是目前研究的重点。

SLAM优势和劣势

视觉SLAM可以用在各种复杂且动态的场景。打个比方，如果未来要实现机器人管家，就得依靠视觉SLAM告诉他厨房和客厅的区别，到厨房可以做饭，而到了客厅就可以播放音乐。

单目视觉 SLAM 算法存在一些本身框架无法克服的缺陷，首先是尺度的问题 ，单目 SLAM 处理的图像帧丢失了环境的深度信息，即使通过对极约束和三角化恢复了空间路标点的三维信息，但是这个过程的深度恢复的刻度是任意的，并不是实际的物理尺度，导致的结果就是单目SLAM 估计出的运动轨迹即使形状吻合但是尺寸大小却不是实际轨迹尺寸；由于基于视觉特征点进行三角化的精度和帧间位移是有关系的，当相机进行近似旋转运动的时候，三角化算法会退化导致特征点跟踪丢失，同时视觉 SLAM 一般采取第一帧作为世界坐标系，这样估计出的位姿是相对于第一帧图像的位姿，而不是相对于地球水平面 (世界坐标系) 的位姿，后者却是导航中真正需要的位姿，换言之，视觉方法估计的位姿不能和重力方向对齐。

看完上面的内容相信大家对视觉slam和vio有了一定的了解，对于想要学习VIO的同学深蓝最新一期的《视觉SLAM进阶：从零开始手写VIO》即将开放报名，线上课程，由中科院自动化所博士贺一家和慕尼黑工业大学博士后高翔进行授课。

课程重点讲解了预积分、滑动窗口滤波算法、边缘化、优化等重要原理和过程，抓住VIO的主线详细介绍了系统各个模块的内容，帮助伙伴们高效学习，透彻理解原理并实现应用落地。

课程讲师

课程大纲

实践项目（部分）

本门课程采用理论与实践相结合的教学方式，每章节后都有实践项目，让大家将课上所学知识，即学即用，通过亲自动手实践达到灵活掌握，融会贯通的效果。

学后收获

1. 学习过程中一步一步推导公式，打下扎实的数学基础；2. 通过学习视觉和IMU的信息融合，掌握基于图优化的多传感器信息融合框架；

3. 通过手写后端优化器，理清SLAM后端的每个细节，加深对优化的理解，为以后工作中移植、加速或改进自有的SLAM系统提供技术支持；

还能收获

1. 优质的学习圈子

伙伴们大多是来自985、211及海外院校硕博，在这里大家一起学习、进行讨论与研究。独一无二的优质圈子将是你未来学习与就业的宝贵资源。

2. 企业认可的证书

学完课程后将有机会收获优秀学员证书、毕业证书，为你的简历加分添彩。

课程服务

1. 三师助力

讲师&助教及时答疑解惑，班主任全程带班督学，帮你克服拖延，不断进步。

2.定期班会

助教1V1批改作业，并在班会中进行讲评和指导；在班会中，学习更多技巧；在交流中收获更多思路。

看完上面的介绍你是不是心动不已，莫急莫急！点击下方链接即可报名！