水下SLAM论文！！！

(2007)Experiments with Underwater Robot Localization and Tracking

** 需使用固定的传感器定位模块 **

摘要：

• 一种新颖的实验方法；
• 两种定位方法：1. 基于几何方法的声学定位系统，其中移动节点在静态节点的范围内移动，并且所有节点都能够以声学方式（acoustically）估计到其临近节点的距离。2. 视觉里程计方法。

1. 实验平台

1）传感器模块：

• 包含通信，传感器（声学/光学模块/温度/压力/相机），计算功能。直径6in，高10in。

• 三种测距方法：1.节点A到B信息来回的时间；2. 节点A广播范围请求消息，此后通信范围内的所有节点都以特定间隔响应。使用往返时间，计算到所有响应节点的范围; 3. 使用板载同步时钟，并使节点以指定的时间间隔ping。然后，侦听节点根据预期到达时间和实际到达时间之间的差异来计算范围。

2) Autonomous Modular Optical Underwater Robot (AMOUR)

• AUV,11kg,43.3cm,最大前向推力70N,最大速度1m/s, 角速度360deg/s

（2007）Underwater environment reconstruction using stereo and inertial data

1. 摘要

• 开发了一种双目视觉惯性传感设备，已将其成功部署用于在水域和陆地域中重建复杂的3D结构。
• 传感器将使用双目视觉算法获得的3D信息与3DOF惯性传感器进行组合。
• 然后将所得的点云模型转换为体积表示，并提取带纹理的多边形网格以供以后处理。
• 介绍了使用传感器获得的残骸和珊瑚的最新水下重建。

2.数据处理

2.1 视觉自我运动估计
1.

• 用KLT算法在时间t从参考相机中提取“良好”的特征，并在t + 1时刻处将其跟踪到后续图像中。进行目标跟踪。
• 使用先前为两个时间步长提取的视差图，消除在时间t和t +1都没有对应视差的特征点。
• 剩余的特征点进行三角化确定与视差对应的3D点。
• 对于水下的特殊情况（Dynamic illumination effects, aquatic snow, and moving objects (e.g. fish) increase the number of spurious points that may be tracked from frame-to-frame. ），采用鲁棒的统计估计方法，通过在场景静止的假设下估算旋转和平移模型，将跟踪的特征标记为属于静态世界还是非静态世界。所得的3D点与时间的对应关系与稳定的场景特征点相关联是后续操作的基础。

• 使用四元数表示相机方向，并在两个阶段的过程中计算序列的最小二乘最佳拟合旋转和平移。
• 阶段一：使用RANSAC中Horn的绝对方向法（https://xueshu.baidu.com/usercenter/paper/show?paperid=571649e16b9c4a6aa588aadfdd2cb939&site=xueshu_se）计算线性最小二乘的最优解。
  2.2 IMU积分

（2017）Selective visual odometry for accurate AUV localization

摘要

• 选择可靠性高的数据进行估计，采用鲁棒的关键点跟踪方法和有效的关键帧选择策略，从而即使在长距离路径下，也可以高精度估算摄像机的运动

• 为了限制漂移误差，使用最后一个关键帧进行相机位姿估计，该关键帧是通过分析特征时间流选择的。

• 基于先前工作：
  Bellavia, F., Tegolo, D., & Trucco, E. (2010). Improving SIFT-based descriptors stability to rotations.
  Bellavia, F., Tegolo, D., & Valenti, C. (2011). Improving Harris corner selection strategy.
  Bellavia, F., Fanfani, M., Pazzaglia, F., & Colombo, C. (2013). Robust selective stereo SLAM without loop closure and bundle adjustment.
  Bellavia, F., Tegolo, D., & Valenti, C. (2014). Keypoint descriptor matching with context-based orientation estimation.
  Botelho, S.C., Drews, P., Oliveira, G. (2009). Visual odometry and mapping for underwater autonomous vehicles.

创新

• 选择基于对高重复性拐角关键点的检测，并采用与SIFT类似的描述符进行精确匹配。此外，对VISO2-S进行了改进，采用了鲁棒的回环匹配方案。
• 另一个方面是关键帧的选择. 由于误差是从3D地图中的不确定性传播的，因此对应于与低时间流？？？（low temporal flow）匹配的远点的误差更大，因此，当检测到足够的具有强时间流(strong temporal flow)的特征时，建议的方法将输入帧选为关键帧。与防火墙概念（Nistér等，2004）相似，但是我们的方法不是恒定时间选择，而是根据输入序列自适应地工作。