在视觉SLAM中，过滤方法和增量SFM的未来是什么？

Question

在Visual领域，有著名的EKF/UKF/Particle-SLAM解决方案，比如“mono”。

最近，有一个方向的本地束调整方法，如lsd或orb .

我的问题是：

过滤方式是否仍然有一个未来或稳定的使用？在什么应用中？优点/缺点是什么？

我读了这些论文，但是，我没有得到最后的答案(主要是出于误解)：

1. 为什么要过滤？
2. 同时定位与映射的过去、现在与未来

P. S.：我知道第一种是说本地BA更好，而第二种很少提到过滤，所以..，就这样.，这是视觉-SLAM领域中可怕的卡尔曼滤波器的终结吗？！！

Answer 1

不，卡尔曼滤波器还有它的用途。虽然“视觉SLAM:为什么滤波器”很有趣，因为它是第一篇(据我所知)进行数学上声音比较的论文，但你应该注意到，它只比较捆绑调整与非常具体的卡尔曼滤波器，例如包括滤波器中的点，而最先进的基于EKF的测数/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或多或少与捆绑调整相同。

卡尔曼滤波器，尽管在某些情况下，它的计算缺点，将有优势，很容易为您提供不确定性的估计。在捆绑调整中获取非局部不确定性并不简单，而且会增加大量开销(例如，请参见本论文，这实际上是我所知道的束调整中唯一的不确定性传播)。

卡尔曼滤波的另一个优点是传感器融合是直接的。您或多或少需要将参数添加到状态向量中来估计。关于IMU/Vision融合的最先进卡尔曼滤波器的一个例子，它实际上正在许多应用程序中使用，请参见本论文。

但是是的，SLAM社区有一种明显的趋势，那就是远离基于Kalman的方法，除了在特定的领域(实验传感器或具有全局协方差的大传感器图等)，但是争论通常有点弱。人们喋喋不休地谈论更好的经验结果，然后引用"Visual :为什么过滤“。我建议你读那篇论文作者的论文。虽然他关于熵的理论论点是令人信服的，但我仍然认为，由于过滤器的上述特殊性，我们在引用那篇论文时必须非常谨慎。

Answer 2

不，第二篇论文没有描述视觉-大满贯中卡尔曼滤波的结束.卡尔曼滤波是高斯噪声最大似然估计的特例。谨提请你注意第二份文件第4页第3段。在此，作者应明确指出，Kalman滤波和MAP都是极大似然估计的扩展。正如所写的，这种洞察力只是含蓄的。