在Visual SLAM领域，有着名的 EKF / UKF / Particle-SLAM 解决方案，就像＆＃34; mono-slam＆＃34;。
最近，有一个本地捆绑调整方法的方向，例如 lsd-slam或orb-slam ..
我的问题是：
过滤方式是否仍有未来或稳定使用？在什么应用程序？有什么利弊？
我读过这些论文但是，我没有提出最终答案，（主要是出于误解）：
Past, Present, and Future of Simultaneous Localization and Mapping
P上。 S。：我知道第一个是说本地BA在某种程度上更好，而第二个很少提及过滤，所以..，它是......，它是真棒卡尔曼滤波器的结尾Visual-SLAM区域？!!
答案 0 :(得分：2)
不，卡尔曼滤波器仍有其用途。虽然＆＃34;视觉SLAM：为什么过滤＆＃34;很有意思的是，它是第一个（据我所知）进行数学声音比较的论文，你应该注意到它只是将束调整与非常特定的卡尔曼滤波器进行比较，例如包括滤波器中的点，而状态为艺术基于EKF的odometry / slam方法似乎表明这不是一个好主意。此外，您可以认为递归卡尔曼滤波器与束调整大致相同。
卡尔曼滤波器尽管在某些情况下具有计算缺点，但其优势在于可以轻松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易事，并且增加了显着的开销（例如参见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点是传感器融合非常简单。您或多或少必须添加参数来估计状态向量。有关用于IMU / Vision融合的最先进卡尔曼滤波器的示例实际上在许多应用中使用，请参阅this paper。
但是，是的，SLAM社区明显倾向于摆脱基于卡尔曼的方法，除了特定领域（实验传感器或具有全局协方差的大型传感器图等），但参数通常是有点弱。人们嘟something一些关于更好的实证结果的东西，然后引用＆＃34; Visual SLAM：为什么过滤＆＃34;。我建议你阅读the thesis from that paper's author。虽然他关于熵的理论论证是令人信服的，但我仍然认为在引用该论文时我们必须非常谨慎，因为上述过滤器的特殊性。
答案 1 :(得分：1)
不，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的最大似然估计的特例。我想请你注意第二篇论文第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。如上所述，这种见解只是隐含的。