小覓智能 | SVO 學習筆記（持續更新中）
SVO 基本介紹
SVO 是蘇黎世大學機器人感知組的克里斯蒂安.弗斯特（Christian Forster）等人於 2014 年 ICRA 會議上發表的工作，隨後在 github 開源：https://github.com/uzh-rpg/rpg_svo。
VO 主要分為特徵點法和直接法，SVO 混合了直接法和特徵點法，全稱是半直接視覺里程計（Semi-direct monocular Visual Odometry），半直接法和直接法不同的在於利用特徵塊的配準來對直接法估計的位姿進行優化，SVO 通過對圖像中的特徵點圖像塊進行直接匹配獲取相機位姿，而非像直接法對整個圖像使用直接匹配。
SVO 整體系統框架圖
整個過程分為兩個部分：跟蹤與建圖。
- 跟蹤（Tracking）
主要任務是估計當前幀的位姿。
又分為兩步：先把當前幀和上一個追蹤的幀進行比對，獲取粗略的位姿。然後根據粗略的位姿，將它與地圖進行比對，得到精確的位姿並優化見到的地圖點。隨後判斷此幀是否為關鍵幀。如果為關鍵幀就提取新的特徵點，把這些點作為地圖的種子點，放入優化線程。否則，不為關鍵幀的時候，就用此幀的信息更新地圖中種子點的深度估計值。
2. 建圖（LocalMapping）
主要任務是估計特徵點的深度。因為單目 SLAM 中，剛提特徵點是沒有深度的，所以必須用新來的幀的信息，去更新這些特徵點的深度分佈，也就是所謂的「深度濾波器 Depth Filter」。當某個點的深度收斂時，用它生成新的地圖點，放進地圖中，再被追蹤部分使用。
SVO 把像素的深度誤差模型看做概率分佈，使用 高斯——均勻混合分佈的逆深度（深度值服從高斯分佈，局外點的概率服從 Beta 分佈），稱為「深度濾波器 Depth Filter」，每個特徵點作為種子 Seed（深度未收斂的像素點）有一個單獨的深度濾波器。
SVO 優缺點
優點：
- 速度極快，和 ORB-SLAM 比，線程短，架構簡單，在低端計算平臺上也能達到實時性，適合計算平臺受限的場合。
缺點：
- 在平視相機中表現不佳；捨棄了後端優化和迴環檢測部分，SVO 的位姿估計存在累計誤差，並且丟失後不太容易進行重定位。
參考：
視覺SLAM國際上主流開源框架
能否具體解釋下svo的運動估計與深度估計兩方面？
關於 SVO 更多的內容可查看我們 SLAM 組同事對此的詳細代碼解析喲～
初始化 | SVO 論文與代碼分析分講
位姿估計 | SVO 論文與代碼分析分講小覓智能：建圖 | SVO 論文與代碼分析分講最後不要忘了點贊，手留餘香呀～??
推薦閱讀：