不同的视觉测距选项的优缺点是什么？
立体摄像机
光流
SLAM
其他？
标准：
与其他测程选项/传感器（激光雷达，雷达）相比，其性能如何
传感器保真度
计算
精度
精度
易于与IMU / GPS集成
等
当然，总的来说，因为折衷方法很多当我们详细介绍应用程序和硬件时，请继续。我出于好奇而不是特别设计。
#1 楼
通常，视觉里程计是使用视觉手段执行里程计测量的方法。这排除了SLAM组件，因为视觉里程表只是一种相对的导航方式（请参阅我关于导航的答案）。有很多方法可以提取摄像机的相对运动。由于从摄像机到机器人的转换是众所周知的，这也将为您提供机器人的相对转换。如果仅使用单个摄像机，则始终会出现比例模糊的情况，除非您有某种方法可以解决图像中的模糊性（例如，已知大小的对象），或者将其与其他形式的测距法（例如轮式测距法）结合使用。
从您的角度来看，可以遵循两种方法：密集和稀疏处理。密集处理意味着您对图像点进行常规采样以进行处理（也可以是完整图像）。稀疏处理意味着首先提取特征点，然后仅对这些特征执行操作。
将光流用于视觉里程计，我会考虑采用密集方法。一旦获得了流场，就需要提取运动分量。这并不是那么简单，因为它很大程度上取决于您的环境外观。在“非平稳城市环境中的单目航向估计”中存在异常值的情况下，有一种有趣的解决方法
稀疏方法将使用特征，这些特征是使用特征检测器提取的。然后，有两种不同的方法来处理这些功能。第一种方法将执行特征跟踪，并以此方式估计场景点要移动到的位置。第二种方法通过特征描述符执行特征关联。第一个通常用于高频的快速算法，而第二个通常对较大的场景变化更健壮，因此可以在较低的频率下运行。 MER Rovers上的视觉里程表以这种方式工作，例如通常使用RANSAC形式，使用某种形式的几何约束来去除异常值。有一个相当不错的库libviso2，用于以这种方式执行视觉测距。
#2 楼
我不熟悉所有的视觉里程表选项，但是您可能会发现最近发表在《 IEEE机器人与自动化》杂志上的以下两篇文章相关：Scaramuzza，D.，Fraundorfer，F.，Visual里程表：第一部分-前30年和基础知识，IEEE机器人与自动化杂志，第18卷，2011年第4期。
Fraundorfer，F.，Scaramuzza，D.，视觉里程表：第二部分-匹配，鲁棒性和应用程序，IEEE机器人技术和自动化杂志，第19卷，2012年第2期。
#3 楼
看看KITTI视觉里程表基准/评估。它是对一些大型室外城市场景中不同的立体视觉测距算法的最新且很好的评估。他们将其与地面真相（GPS）进行了比较。我想说视觉Odometry是相当准确和优雅的感知系统。而且它比单独的IMU / GPS（甚至是高端的）要好得多。
评论
这更多的是讨论而不是问题。您似乎对可用的技术有所了解，但是这里的所有其他内容都是主观的。您是否在寻求视觉里程表的特定方面，或想要进行特定的比较？如今，问题可以存档为Wiki条目。提供良好的可靠答案，这将是一个不错的Wiki条目。我认为它应该保持开放并受到良好的关注。
对不起Eruditass，但是在堆栈交换中，我们更喜欢根据您所遇到的实际问题而提出的实用，可回答的问题。有关如何编写更好的问题的提示，请查看导览和“如何提问”页面。
@MarkBooth，由于问题的开放性，按照Josh的要求，我只是在要求它成为社区Wiki，因为我敢肯定其他人会经历最初的工程过程，即选择如何本地化机器人。觉得有用。
社区Wiki现在在堆栈交换上已被弃用。建议是，问题是一个好问题，具有主题性，建设性且非常合适，在这种情况下，问题将保持开放状态，或者没有问题并被封闭。从本质上讲，由于我们建议进行编辑，因此不再需要社区Wiki补丁。它经常被用来阻止人们玩系统，同时保持一个非建设性的问题。如果您想进一步讨论，请随时访问Robotics Meta并在那里提问。