前言

从SLAM建图到SLAM建模，是近年来这一领域发展的重要趋势之一。在此之前，环境三维模型的构建的一个重要标签就是实时性不足的问题，SLAMesh的提出，在这一问题上迈出了重要的一步，创新性地将高斯过程引入到环境信息的建模与预测任务之中，使得建模过程避免了对mesh顶点的搜索与优化，通过有序的顶点之间的连接，直接形成mesh，实现了实时性。在这里，不得不推荐作者所使用的高斯过程的前作，GP-SLAM，其作者为浙江大学的一名博士，其博士毕业论文写的深入浅出，化繁为简，向激光点云处理与建模的大本大源处循序渐进，读完让人觉得神清气爽，酣畅淋漓，几乎可以脑补出作者在博士期间一步一步探索的思绪与悸动。这样的读博做科研的历程，真是可遇不可求。读者可以自行去搜索其博士论文。当时读完之后，觉得GP-SLAM应该在学术界受到更加广泛的关注，但是奇怪的是并没有产生较大的效应。直到遇到了SLAMesh，才弥补了这样的遗憾。SLAMesh是将GP思想在SLAM领域进一步继承与发扬的典范。
关于SLAMesh的介绍，有其作者亲自的讲解
B站链接：https://www.bilibili.com/video/BV18P411W7eD/?vd_source=5af98011ae6979fcae8975f2832f9cd3
Github：https://github.com/RuanJY/SLAMesh

不过，近几年SLAM领域的重要进展和开源工作都是港科大实验室推动的，在激光SLAM领域引领风骚，羡慕之余，请君共勉。

论文Motivation

论文框架和具体过程，读者直接观看其在B站的讲解就可以，我就不在此造次。但是我更关注的是如何思考SLAM建模这一问题。从KinectFusion、ElasticFusion到BundleFusion等各种Fusion，从C-blox，VoxBlox再到VoxBlox++，Puma和VDBFusion，VoxField，TSDF的建模范式始终不变。最后再用上个实际的经典算法marching cube提取出零值面生成mesh网格模型，存储为ply格式。我们首先来看下ply格式包含了哪些信息，一般情况下，包括

标头
顶点列表
面列表
其他元素的列表
面列表中包含了一个面对应的顶点的索引，是ply中最重要的数据部分。从最终的建模结果可以看出，SLAM建模的核心任务就是估计顶点和顶点之间的连接关系，使得所形成的mesh的集合能够最大程度的拟合点云地图。而之前的方法中，要同时搜素和优化顶点和面，所以较为费时。所以，从实时性的角度来说，SLAMesh的动机应该是，如果顶点不用优化，连接关系也不用过渡搜索，岂不就可以实时？
那么在这样的思想指导下，其实除了SLAMesh这一种方案，还有其他的方案存在，读者可以自行发散，发散结果就会是一篇新的顶会论文。

SLAMesh的性能讨论

SLAMesh作为一种建模方法，属于scan-to-map的机制，漂移误差仍然不可避免，在代码中，可以看出并未考虑加入闭环后对整个模型的更新，这也是重点挑战所在。就算是TSDF范式，也是默认定位信息是准确的，其本身也难以对位姿和模型进行全局的优化。而提升定位精度的有效方法之一就是加入IMU传感器，通过有效的融合，相信可以将漂移误差控制在非常小的范围内。
由于点云分布的稀疏性和非均匀的特性，不同区域的顶点的稳定性的收敛程度不同。固定分辨率的mesh网格对不同曲率的环境表面的表达精度存在可能的不足，如果能进行自适应的调整，建模效果会更好。
从建模效果来看，动态物体的去除未被考虑在内，是否可以通过高斯过程中的不确定性量来去吃动态顶点，是一个可能的方向。