第1章：经典SLAM系统回顾与动态场景局限性分析
各位同学，咱们今天聊聊经典SLAM系统。说实话，我入行那会儿，ORB-SLAM2刚出来，大家都觉得视觉SLAM差不多到头了。结果呢？动态场景一来，全露馅了。今天我就带大家回顾三个最具代表性的系统——ORB-SLAM3、VINS-Mono、DROID-SLAM，看看它们到底怎么工作的，又为什么在动态场景下翻车。
1.1 ORB-SLAM3：特征点法的集大成者
ORB-SLAM3，说白了就是ORB-SLAM系列的第三代。它把视觉惯性融合做到了极致。我个人习惯把它拆成三个线程来看：
- 跟踪线程：实时匹配当前帧与地图点，估计相机位姿
- 局部建图线程：管理局部地图，做BA优化
- 回环检测线程：用词袋模型检测回环，做全局优化
核心流程其实不复杂：
// 伪代码示意
while(有图像输入):
提取ORB特征点
与上一帧/地图点匹配
如果匹配足够多:
用PnP/RANSAC估计位姿
局部BA优化
否则:
进入重定位模式
检测回环
全局优化嗯，这里要注意。ORB-SLAM3最大的改进是加入了IMU预积分，让它在快速运动时也能稳住。但问题来了——它假设场景是静态的。
动态场景下的局限性：
- 特征点来自动态物体（行人、车辆），直接参与位姿估计
- RANSAC只能剔除少量外点，动态物体占比高时直接崩溃
- 地图点会包含动态物体的特征，导致地图污染
我曾经在一个商场数据集上跑ORB-SLAM3，人流量大的时候，轨迹直接飘到隔壁店铺去了。你想想看，它把行人的特征点当成了静态地标，能不飘吗？
1.2 VINS-Mono：滑动窗口的优化大师
VINS-Mono是港科大沈劭劼团队的作品。它走的是滑动窗口+紧耦合路线。我个人觉得它在学术界的地位，相当于ORB-SLAM在工业界的地位。
核心流程是这样的：
- 前端提取Harris角点，用LK光流跟踪
- IMU预积分提供帧间约束
- 滑动窗口内维护关键帧，做视觉惯性BA
- 边缘化旧帧，保持计算量可控
它的优势很明显——光流跟踪比特征匹配快，IMU能补足视觉的短板。但动态场景下呢？
避坑指南：我曾经在动态场景下用VINS-Mono，发现光流会把行人的运动轨迹当成相机的运动。说白了，它没有区分「哪些像素是动的，哪些是静的」。结果就是，行人从左走到右，算法以为相机在往右转。
具体来说，VINS-Mono的局限性包括：
- 光流跟踪不区分动态/静态区域
- 滑动窗口内的BA优化，动态特征会污染整个窗口
- 没有显式的动态物体检测机制
1.3 DROID-SLAM：深度学习的新贵
DROID-SLAM是2021年CVPR的工作，它用可微分优化替代了传统几何方法。说实话，我第一次看论文时挺震撼的——它把光流网络和迭代优化揉在了一起。
核心流程：
// DROID-SLAM的核心思想
输入: 连续帧图像
1. 用RAFT光流网络估计密集光流
2. 构建光流误差的代价函数
3. 用可微分优化器迭代更新位姿和深度
4. 关键帧管理 + 回环检测它的优势在于：
- 密集匹配，比稀疏特征点信息量更大
- 端到端可微分，理论上可以学习动态场景
- 在静态场景下精度很高
但动态场景下呢？嗯，这里有个坑。
我的经验：DROID-SLAM虽然用了深度学习，但它的光流网络是在静态场景数据上训练的。遇到动态物体，光流估计会同时包含相机运动和物体运动，优化器根本分不清。我曾经在KITTI数据集上试过，车辆从旁边经过时，深度估计直接崩了。
1.4 三个系统的对比总结
咱们用表格来对比一下：
| 特性 | ORB-SLAM3 | VINS-Mono | DROID-SLAM |
|---|---|---|---|
| 前端方法 | ORB特征点 | Harris角点+光流 | RAFT密集光流 |
| 后端优化 | 全局/局部BA | 滑动窗口BA | 可微分迭代优化 |
| IMU支持 | 是（紧耦合） | 是（紧耦合） | 否 |
| 动态场景鲁棒性 | 低（依赖RANSAC） | 低（无动态检测） | 中（但训练数据受限） |
| 计算量 | 中等 | 中等 | 高（需要GPU） |
1.5 知识体系结构图
下面我用一张SVG图来展示本章的知识体系：
1.6 小结
回顾这三个系统，你会发现一个共同的问题：它们都假设场景是静态的。ORB-SLAM3靠RANSAC硬扛，VINS-Mono靠IMU勉强支撑，DROID-SLAM虽然用了深度学习但训练数据不对。说白了，动态场景是经典SLAM的阿克琉斯之踵。
我在实际项目中吃过不少亏。有一次在仓库里跑AGV，叉车来来往往，ORB-SLAM3直接定位丢失。后来我加了个简单的运动检测模块，才勉强稳住。但那是治标不治本。
接下来的课程，咱们会一步步深入，看看怎么从算法层面解决动态场景的鲁棒性问题。嗯，今天就先到这里。
公众号:蓝海资料掘金营，微信deep3321