ToF（time of flight）也是一种被炒的火热的深度获取方法，主要分为脉冲式和相位式两种。这是一种相位式tof的原理，通过采集四个采样点的相位，解算时间差，获得对应pixel的深度信息。

　　传感器发出经调制的近红外光，遇物体后反射，传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息。

　　相位法可以减轻背景光对于深度提取的影响，但是受这种四个采样点分时曝光的限制，它对于动态物体的效果要比脉冲式差一些。脉冲式是一种更常见的tof测距方法，从传统的工业雷达，到现在炒的比较火的面振tof都大量存在它的踪影。

　　除了以上结构光、tof和普通相机以外，还有一种有趣的摄像头叫eventcamera。

　　他检测的是变化的像素，大大缩减了输出的数据量，轻轻松松实现类似光流的算法而且具有极高的输出频率。学术界也有人在使用它在做slam，大家可以去搜索相关的论文看看。

　　这里找到了一个dyson360的一个有趣的vSLAM展示，通过采集全景镜头的视频数据，只有640*480的分辨率，实现了很有趣的vSLAM定位。

　　SLAM算法在实现的时候主要要考虑以下4个方面：

　　1、地图表示问题比如dense和sparse都是它的不同表达方式，这个需要根据实际场景需求去抉择。

　　2. 信息感知问题，需要考虑如何全面的感知这个环境，RGBD摄像头FOV通常比较小，但激光雷达比较大。我们也做过一个类似dyson的方案，能够实现很低成本，小体积的机器人定位。

　　3. 数据关联问题，不同的sensor的数据类型、时间戳、坐标系表达方式各有不同，需要统一处理

　　4. 定位与构图问题，就是指怎么实现位姿估计和建模，这里面涉及到很多数学问题，物理模型建立，状态估计和优化。

　　我们也做过一个类似dyson的方案，能够实现很低成本，小体积的机器人定位。

　　vSLAM里面还要考虑的有回环检测问题，探索问题（exploration），以及绑架问题（kidnapping）。

　　vSLAM在算法部分，对数学的基础要求比较高，对概率统计、最小二乘估计、随机梯度下降（或者高斯牛顿、LM）、线性系统建模与估计、非线性系统的概念和优化都得有较深的理解，同时也得有一个open的视野，熟练的编程能力，来实现效率更高的算法。

　　在团队配置上，j2直播，更需要要更种各样的人，算法工程师、嵌入式工程师、光学工程师、传感器工程师、算法优化工程师、结构工程师、机电工程师以及丰富的产品测试安排。

　　比如这就是几周前我们对IMU进行的一系列测试的一部分，受温漂影响，IMU的输出会随着芯片温度上升零偏发生漂移。这就会给一些绝对的姿态参考造成很大的问题，需要通过温度试验摸出imu的噪声误差一致性，从而进行有效的补偿。

　　整个SLAM大概可以分为前端和后端，前端做配准，研究不同帧之间的变换关系。

　　首先提取每帧图像特征点，利用相邻帧图像，进行特征点匹配，然后利用RANSAC去除大噪声，然后进行ICP匹配，同时可以利用IMU提供的姿态信息进行滤波融。

　　这是我们的传感器配合上我们6dof Visual Inertial SLAM算法的一个简单展示。