1. 研究目的与意义（文献综述）

近年来，随着信息技术、计算机技术的日益发展和人工智能热潮的到来，计算机视觉和机器学习成为了相关研究人员的热门研究课题，其中最具代表性的就是机器人了。而机器人下放之初常常是处于一个未知环境中的，因此在未知环境下实现自主作业是机器人技术的一个重要研究领域。即时定位与地图构建（simultaneous localization and mapping,slam）就是机器人在未知环境下实现自主作业的核心关键技术之一，slam问题可以描述为：机器人在未知环境中从一个未知环境开始移动，在移动的过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造地图，实现机器人的自主定位与导航。所以slam是机器人、无人机、无人驾驶、vr/ar等领域的关键技术之一。

slam问题最先是由smithself和cheeseman在1987年提出的，被认为是实现移动机器人真正自主的关键所在，发展至今slam已经走过了30多年的历史，在许多的方面取得了十分重要的进步和突破。目前slam的实现方法有很多种，按传感器的类别主要分为激光slam和视觉slam（vslam），其中视觉slam是比较重要的一部分。近十几年以来，基于视觉的slam算法是研究者们的一个热门问题，并且得到了较为迅速的发展。从2007年georg klein和david murray提出的ptam（该算法是视觉slam发展中的一个重要的里程牌）到2008年mark cummins和paulnewman提出的基于显著性的fab-map（fastappearances-based mapping）算法；再到2014年christian forster等人提出的svo（fast semi-direct monocular odometry,svo）算法以及jakobengel等人提出的lsd-slam（large-scale directmonocular slam，lsd-slam）算法；在随后的2015年中又由raul mur-artal等人提出了orb-slam算法，该算法是目前已知的最优秀的基于特征的单目视觉slam算法；紧接着在2016年时由jakobengel等人又提出了dso（direct sparseodometry,dso）算法，视觉slam得到了进一步的发展。从以上的slam的发展和研究历程来看，视觉slam在最近十几年中得到了较为迅速的研究和发展，并且取得了一些成果。

2. 研究的基本内容与方案

本毕业设计的基本内容是学习并运用android平台和同步定位与地图构建（slam）技术的相关知识，研究并分析lsd-slam（大规模直接发单目slam）算法理论，在android平台上设计并实现一款基于lsd-slam的实时单目slam系统app。该设计需要完成的主要目标有：（1）lsd-slam算法在androidapp中的实现与集成；（2）该app系统能在主流智能手机上良好的实时运行；（3）该app系统应具有良好的用户操作界面。

lsd-slam算法是一种直接（无特征）单目slam算法，近年来该算法在pc端和智能手机端均有实现。而未来slam的一大发展方向就是向着小型化、轻量级方向发展，让salm能够在嵌入式或智能手机等小型设备上良好的运行，slam技术的小型化和轻量化有着较强的需求。因此在此种趋势的带动下，本设计主要是完成lsd-slam算法在android手机上的集成和实现。当然在实现的过程中可能会存在一些手机端难以解决的问题，如：手机处理速度、人体移动速度、手机移动方向等。为更好地完成设计目标，设计拟采用的技术方案如下：

（1）android开发平台搭建和ndk环境配置：包括android studio开发软件的安装和jdk、android sdk开发工具包的引入以及ndk（native development kit）环境配置（ndk也是android的一个开发工具包，是利用jni为桥梁，将java代码和native端的c 或c代码进行融合的方式。之所以要用到ndk是因为lsd-slam算法在android上的集成中会用到图形优化库g2o等三方依赖库），为lsd-slam算法在android上的集成做好前期的开发环境准备。

3. 研究计划与安排

第1-4周：查阅相关中、英文文献资料，明确研究内容。确定设计方案，完成开题报告；

第5-6周：完成论文开题工作，完成不少于2万字符的英文翻译任务。

第7-10周：完成整套app系统的设计与调试，并撰写部分论文初稿；

4. 参考文献（12篇以上）

[1]jakob engel, thomas sch#246;ps, and daniel cremers.lsd-slam: large-scale direct monocular slam[c]. in proc. of european conferenceon computer vision（eccv）, pp. 834-849. springer, cham, 2014.https://link.springer.com/chapter/10.1007/978-3-319-10605-2_54

[2]engel j, koltun v, cremers d. direct sparse odometry[j]. ieee transactions on pattern analysis and machine intelligence. 2018 mar1;40(3):611-25.

[3]yang, nan, rui wang, j#246;rg stückler, and daniel cremers. deep virtual stereoodometry: leveraging deep depth prediction for monocular direct sparse odometry[c].in proc. of european conference on computer vision, pp. 835-852. springer,cham, 2018.