vSLAM在机器人上的应用最难的就是产品化和成本上的考虑，好在机器人的vSLAM不需要特别高的实时性，也没有VR、AR令人难受的眩晕效应，不需要将计算速率提的特别高，机器人行业的vSLAM是一个真正短期内看得见的爆发点。

　　配合低频的visual解算，100ms内利用imu纯积分实现高频率的vSLAM姿态输出，基本上可以实现很低jitter的定位定姿。当然这个行业还远没有达到成熟的阶段，比如依然没有合适的芯片，没有覆盖全场景全天候的解决方案，这也是整个slam行业要继续解决下去的问题。

　　时间差不多了，今天大概先分享到这里。

　　Q&A环节实录

　　提问1

　　刘军令

　　目前比较主流使用的slam算法都有哪些？分别都有哪些实际应用中的优势和局限？

　　张一茗：目前的开源SLAM方法还是很多很多的，国内有一些研究者整理过一个网站。

　　%E9%A6%96%E9%A1%B5#.E4.B8.BB.E6.B5.81.E5.BC.80.E6.BA.90SLAM.E6.96.B9.E6.A1.88

　　但是我的看法是，这些算法都是科研成果，是属于scientist的东西。他们并不能轻松实现产品化，start as a scientist, end as an eigineer，如果没有自己的算法，别人走过的坑该踩还是要踩，才能真正走向产品化的。

　　提问2

　　陈进博

　　目前市场中做SLAM的公司很多，如何去识别哪家更有优势？对于做这一块的公司，您认为应该怎样才能突围而出？

　　张一茗：我认为识别公司优势的指标就是成熟度，demo很容易，出产品很难。必须有丰富的产品化经验以及脚踏实地的扣每一个细节，才能够突围而出，胜算体现在一些细节，比如标定设备、标定方法、测试方法、生产线设计等等。

　　提问3

　　何潇

　　目前主流的ORB-SLAM的关键点和优化方向是什么？

　　张一茗：ORB-SLAM只是开源算法的一种，它构建了一种思路很清晰的vslam方法，前端后端严谨，框架清晰，很适合初学者学习，但是我个人认为在产品化的路上他并不是一个特别好的方案。

　　提问4

　　林义闽

　　vslam是否可以用于室外空旷区域？

　　张一茗：vSLAM在室外是可以用的，但是有一些限制。比如说基于Depth的SLAM在室外是几乎是没法用的。因为室外光源太强，很难获得一个准确的Depth。所以深度图的这种匹配是完全不起作用。然后，对于基于纯视觉SLAM在室外的话，大部分场景是可用的。但是如果说，室外的这种景深太过单调，比如说十分空旷，体现不出层次感的话，他依然是不能够实现一个很好的定位的。只要室外的场景错落有致一些，它依然能够实现一个比较好的精度。

　　（补充提问）：针对第4点的提问，是否可以理解说SLAM主要是运用在室内的而不是室外呢？

　　张一茗：绝大部分室外场景是可用的，除非特别空旷的一些极端环境。我们测试过我们的算法，没有问题。

　　提问5

　　刘焕云

　　室内三维重建有没有推荐的开源算法，刚入门应该从何入手？

　　张一茗：这个需求跟SLAM领域略有不同，应该是属于SFM的领域，这个领域开源方法也很多，您可以去SFM领域的paper中搜寻下

　　提问6

　　Jennifer

　　机器视觉领域创业公司和大公司比优势和劣势在哪里？速感科技的核心优势是什么？公司面临的核心挑战是？

　　张一茗：我认为定位这个行业最大的特点就在于，没有万能的定位方案，每个应用场景都有不同的需求，大家都是在搜寻一个更大的市场，即使是大公司，也很难做到类似apple这样的垄断。对于创业公司，做大公司未来得及做之事，在大公司做起来之前的窗口期抢占对自己有优势的市场，赚取足够的利润并成为新的巨头，这是我认为创业公司的生存之道 （回答完毕）。

　　提问7

　　李海峰

　　请问SLAM硬件在基于FPGA实现的实践中能做到多高的深度分辨率和帧率，还有需要多少逻辑单元？

　　张一茗：slam并不适合用纯粹的fpga去实现，因为slam中虽然确实有很多可以并行化的部分，但是同时也有很多串行逻辑运算，我认为比较合适的方案还是arm加其他并行处理器的soc架构。我们目前用一些并行化的dsp去做特征提取，500个特征点可以花几个ms来完成，而pc上需要20ms。

　　我们目前用一些并行化的dsp去做特征提取，500个特征点可以花几个ms来完成，而pc上需要20ms。

　　提问8

　　张辰

　　基于SLAM的移动机器人，在行进过程中，如何克服周边环境变化的影响？（比如在仓库物流应用中，周围货物车辆人员的动态变化）