Данная работа посвящена исследованию и сравнению различных SLAM-алгоритмов на основе камер глубины RGB-D. В ходе исследования решались следующие задачи: 1. Изучение программных пакетов для моделирования камеры глубины и внешней среды. 2. Исследование и выбор актуальных SLAM-алгоритмов, применимых с камерой глубины. 3. Реализация модели робота с камерой глубины и внешней среды. 4. Исследование пакетов, предназначенных для работы с камерой глубины Realsense и проверка работы камеры. 5. Настройка и запуск выбранных SLAM-алгоритмов на различных типах входных данных. 6. Изучение метрик для оценки SLAM и сравнение выбранных алгоритмов на их основе. Данное исследование проводилось в рамках работ лаборатории ПСПОД передовой инженерной школы СПбПУ «Цифровой инжиниринг»; в работе использовалась предоставленная лабораторией камера глубины Intel Realsense D435; также была настроена модель камеры. В результате работы сравнены различные реализации SLAM-алгоритмов с применением камеры Realsense, моделью данной камеры и готовых датасетах. Было выявлено, что в большинстве случаев наиболее точной реализацией является ORB-SLAM3.

The following work is devoted to researching and comparing various SLAM algorithms based on depth cameras. The work consisted of solving the following tasks: 1. Research of available software for modeling the depth camera and the external environment. 2. Analyzing and choosing topical SLAM algorithms applicable for use with a depth camera. 3. Modeling a robot with a depth camera along with an external environment. 4. Research of libraries for use with a Realsense series depth camera and debugging the camera for following use. 5. Setup and launch of SLAM algorithms with various types of inputs. 6. Research of metrics for SLAM evaluation and comparison of SLAM algorithms on their basis. This work was done as a part of research done by the PSPOD lab of SPbPU advanced engineering school “Digital engineering”. The camera used was an Intel Realsense D435 depth camera provided by the lab; a model of the camera was configured as well. The result of the work consists of comparing various SLAM algorithms with the usage of a physical Realsense camera, its model, and various datasets. In the majority of the cases, the ORB-SLAM3 algorithm proved to be the most precise.