文献综述（或调研报告）：
1.1 同时定位与建图
同时定位与建图问题最早在1986年于圣弗朗西斯科举办的机器人与自动化会议中为国外学者所提出，并且，基于概率理论的估计方法被引入到该领域中。早期的理论研究成果主要源自于国外学者的贡献，为研究SLAM问题提供了重要的指引。
早期，同时定位与建图问题的研究关注于地图与位置估计的一致性问题。Durant-Whyte等人[1]对同时定位与建图问题的一致性进行了相关分析，指出当机器人在未知环境中运动并进行环境观测时，地图各标志点的估计值是彼此相关的，并且主要误差都源自于位置观测误差。上述结论意味着同时定位与建图问题的一致性解要求当观测值更新时，进行估计的位置与地图等状态变量需要同时进行更新。由于地图空间的大尺度特性，需要维护巨大的状态空间。
随着Durant-Whyte等人[2]对同时定位与建图问题的内在结构的认识，克服了早期研究把定位与建图问题独立，而分别进行定位问题与建图问题研究的思路，证明了把定位问题与建图问题联合进行统一的估计，具有一致性的完全解。但是，同时定位与建图问题中巨大的状态空间，意味着巨大的计算开销，因而，寻找提高计算效率的方法成为后期的主要工作。另外，实际应用和实现过程中，涉及到物理层次上的数据关联与数据处理层次上的地图表示问题，是同时定位与建图系统可靠、高效运行的前提，成为后续研究者关注的课题。
近10年里，研究人员开始关注更复杂的非结构化环境，并且尝试更为廉价的测量设备。尤其近年来计算机视觉研究领域的进展与突破，许多研究人员开始关注于基于视觉元件进行SLAM系统的开发与设计，并诞生了许多基于视觉元件的SLAM系统。Andrew Davison[3]是视觉SLAM研究领域的先行者，将传统机器人领域中基于激光雷达的EKF-SLAM方法应用到基于单目视觉的SLAM中。算法可以保存3D点的不确定性，当视差不够大时，3D点的深度不确定性很大，可以保存其所在的3D射线信息，随着观测的增多及视差足够大，最终再转化成一个3D点的高斯分布。Georg Klein和David Murray[4]采用优化方法设计了PTAM算法，开创了多线程并行化的SLAM的时代。通过将跟踪和建图分成两个单独的线程，既可以不影响跟踪的实时性，又可以在建图线程中使用性能更好的优化方法来提高精度，成为后来者沿用的路线。ORB_SLAM系统[5]，继承PTAM的优点，并结合计算机视觉领域的理论和成果，开发了更鲁棒的信息处理前端，系统的可靠性获得极大的提升。Jakob Engel[6]在2013年ICCV会议上提出半稠密视觉里程计算法，跟踪线程通过最小化光学测量误差来求解相机姿态，建图线程则通过类似于卡尔曼滤波的机制来预测更新每个点的深度及其不确定性，成为基于稠密方法的经典作品，开辟出了独立于传统基于稀疏特征与描述子方法的新分支，并在SVO[7]等系统中继续获得应用。
目前，国内外针对同时定位与建图问题的研究成果已经极为丰富，尤其是基于低成本视觉元件设计和开发的系统，克服了传统基于多线激光雷达的SLAM系统仅适用于结构化环境的局限，能够适应于非结构化环境中，使SLAM的研究和应用向前推进了一大步。根据文献[8]，目前，SLAM的研究已经进入了鲁棒-感知时代，具有性能可靠、高层理解、资源自适应以及任务驱动等特征与需求。
1.2 视觉/惯性融合定位
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
