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。

国内对于视觉SLAM的研究起步较晚，目前还处在一个学习和追赶的阶段。目前国内对于视觉SLAM的研究主要集中在部分高校和科研院，如中国科学院、中南大学、清华大学、浙江大学等，这些高校和科研院的研究人员经过不懈地努力都取得了一些不错的成果。例如，中南大学的蔡自兴教授等人提出了一种基于粒子滤波的多假设数据关联方法解决机器人SLAM研究中的数据关联问题；中国科学院自动化研究所的温丰、柴晓杰等人提出了基于单目摄像头和里程计室内视觉SLAM方法。目前国内对于树蕨SLAM的研究成果较少，大多数都是基于国外的研究成果加以创新和发展，可实现一些简单的应用。可以说，在国内对于视觉SLAM的研究还有很长的路要走，但是相信在工业和商业应用需求日益增加的趋势下，国内的视觉SLAM会发展的越来越好。

由于本人的毕业设计是基于LSD-SLAM算法的，因此在这里再单独地介绍一下LSD-SLAM的相关概况。LSD-SLAM算法是由Jakob Engel等人在2014年中提出的，它是一种直接（无特征）单目SLAM算法，构建的地图是具有关联的半稠密地图。LSD-SLAM算法能够构建大尺度的、全局一致性的环境地图，同时还可以将三维环境地图实时重构为关键帧的姿态图和对应的半稠密深度图。LSD-SLAM算法主要由三部分构成，分别是图像跟踪、深度图估计和地图优化。其中，图像跟踪主要是连续跟踪从相机获得的新图像帧；深度图估计主要是使用被跟踪的图像帧对当前关键帧进行深度更新或替换；地图优化的主要功能是一旦关键帧被当前的图像替代，它的深度信息将不会再被进一步优化而是通过地图优化模块插入到全局地图中。相较于其他的SLAM算法，该算法主要有两个创新点：（1）两个关键帧之间用直接法来配准，明确纳入和检测尺度漂移；（2）具有一种新颖的概率方法，将深度图中的噪声融合到图像跟踪中。图像以点云表示，其特点是半稠密型和高精度的三维环境构建。实验表明，LSD-SLAM方法能够可靠地跟踪地图和构建地图，同时近年来也在PC端和智能手机端有着一定的研究和应用。

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。

（2）OpenCV库的配置：LSD-SLAM算法在Android上的移植涉及到了计算机视觉的方法，所以可调用OpenCV的功能来实现相关的功能。其配置主要包括OpenCV for Android的下载及配置到Android Studio中，完成OpenCV的配置工作。