新兴的RGB-D传感器（如微软的Kinect，Primer Sense的Structure Sensor），通过价格低廉，实时，以及可接受的量测精度打入室内建模市场， 其深度相机主要是以结构光原理进行成像，通常具有激光投射器、光学衍射元件（DOE）、红外摄像头三大核心器件。它可以同时产生RGB图像和深度图像，如下图所示，工作机制和视频流类似，以每秒30帧的速度收集数据。下图中是Primer sense 的strucutre sensor相机，它的doe是由两部分组成的，一个是扩散片，一个是衍射片。先通过扩散成一个区域的随机散斑，然后复制成九份，投射到了被摄物体上。根据红外摄像头捕捉到的红外散斑，PS1080这个芯片就可以快速解算出各个点的深度信息。

由于RGB-D传感器实际上将结合了三维结构和二维图像结合在一起，所以与传统的只通过激光点云或者只通过RGB图像序列进行SLAM有所不同

• 深度数据模型

  RGB-D的一大优势在于每一帧获取的RGB图像和深度图像能够逐像素匹配在一起，针对深度图像上的每一个像素，都可以获取到它对应的深度值，然而，RGB-D相机的量测范围有限，其数据量测精度和量测距离有关，一般只有3-4米以下的深度数据可用于室内建模。下图为量测距离与量测精度图表。

  

• 回环检测

  回环检测的作用主要是去除Drift Error， 就好比一个人蒙着眼睛，如果让你一直走直线，实际情况是，随着你走的距离越长，产生的偏差越大，所以需要不断的检测是否回到同一个位置，纠正姿态信息。主要分为大回环，随机回环和局部回环三类

  1）大回环：也叫全局回环检测，进行大回环检测需要知道我们什么时候回到起点，一般在进行三维测图时我们规定一个起始位置，最后结束测图的时候会重新回来，一般这个时候，就用起始数据帧与终止数据帧进行回环检测，得到对应的约束，如全局回环图所示，为三维测图时获取的首尾图像，在回环框架图中，‘e14,1’，‘e14,2’就是全局回环检测得到的边界约束。

  

  2）随机回环：随机回环即是在当前关键帧时，与前面所有的关键帧进行随机匹配，可以随机选择5个或者10个关键帧进行匹配，得到对应的边界约束，下面回环检测框架中短虚线表示的就是随机回环检测到的边界约束，e4,8

  3）局部回环：局部回环是最常用的回环检测方法，实际上是在当前数据帧位置下，做一个缓冲区，如下图局部回环检测，得到相邻的关键帧索引，然后将当前数据帧与缓冲区内所有的关键帧一一进行匹配，得到对应的边界约束，回环检测框架中adjacent edge即是局部回环检测得到的边界约束。

  

• 全局优化

  经过回环检测之后，需要对数据间不一致进行全局优化，通过采用图优化的方法将数据帧之间的误差降低到最小。如下图所示，优化前的图模型首尾数据帧之间有很大误差，优化之后的图模型可将误差减少和分散，得到精度更高的三维模型。

  

  优化前

  

  优化前