Yas*_*sif 3 robotics slam-algorithm kalman-filter
在Visual SLAM领域，有著名的EKF/UKF/Particle-SLAM解决方案，比如“mono-slam”。
最近，有一个本地捆绑调整方法的方向，如lsd-slam 或 orb-slam ..
我的问题是：
过滤方式是否还有未来或稳定的使用？在哪些应用中？有什么优点/缺点？
我阅读了这些论文，但未能得出最终答案，（主要是出于误解）：
PS：我知道第一个是说Local BA更好，第二个很少提到过滤，所以..，就是这样..，这是Visual-SLAM领域令人敬畏的卡尔曼过滤器的终结吗？！
不，卡尔曼滤波器仍有其用途。尽管“视觉 SLAM：为什么过滤器”很有趣，因为它是第一篇（据我所知）进行数学上合理比较的论文，但您应该注意，它仅将捆绑调整与非常具体的卡尔曼滤波器进行比较，例如包括过滤器中的点，而最先进的基于 EKF 的里程计/slam 方法似乎表明这不是一个好主意。此外，您可以争辩说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在计算上存在劣势，但它的优势在于可以轻松地为您提供不确定性估计。在束调整中获得非局部不确定性并非易事，并且会增加显着的开销（例如参见本文，这实际上是我所知道的束调整中唯一的不确定性传播。）。
卡尔曼滤波器的另一个优点是传感器融合很简单。您或多或少必须将要估计的参数添加到状态向量中。有关实际在许多应用中使用的用于 IMU/视觉融合的最先进卡尔曼滤波器的示例，请参阅本文。
但是，是的，SLAM 社区有明显的趋势远离基于卡尔曼的方法，除了特定领域（实验传感器或大型传感器图，其中具有全局协方差是强制性的等），但论点通常有点弱。人们嘟囔着一些更好的实证结果，然后引用“Visual SLAM：为什么过滤”。我建议你阅读那篇论文作者的论文。虽然他关于熵的理论论证是有说服力的，但我仍然认为我们在引用那篇论文时必须非常谨慎，因为前面提到的过滤器的特殊性。