微型飞行器（MAV）是机器人技术中一个快速发展的研究和开发领域。对于自主机器人操作，定位通常使用GPS、外部摄像机阵列或车载范围或摄像头视觉传感进行计算。在杂乱的室内或室外环境中，车载传感是唯一可行的选择。在本文中，我们提出了一种仅使用低质量视觉的基于外观的飞行MAV视觉SLAM方法。我们的方法包括一个对1000像素图像干扰器进行操作的视觉位置识别算法、一个轻量级视觉里程算法和一个视觉期望算法。

    该算法提高了位置序列的召回率以及机器人沿相似路径飞行时召回位置序列的精度。使用从室外数据集收集的数据，我们表明该监控系统能够对低质量、间歇性的视觉感觉数据进行视觉识别。通过将视觉算法与RatSLAM系统相结合，我们还演示了算法如何实现成功的SLAM。根据消失点方向分组的人造环境中的边缘提供了单视图屏蔽器约束，这些约束以前曾被用作场景理解和相机校准的先驱。考夫兰和尤耶在《曼哈顿世界》的论文中提出了一种贝叶斯边缘分组方法，他们假设场景中存在三个相互正交的消失方向。

    我们以几种重要的方式扩展了考夫兰和尤耶的工作思路。我们建议使用期望最大化（EM）监控摄像头算法对影响场景中消失点位置的所有连续参数进行搜索。由于EM在高维空间中表现良好，因此我们的方法可以优化比以前用于此任务的穷举和随机算法多得多的参数。除其他外，这使我们能够在多组正交消失方向上进行优化，每个正交消失方向都会产生一个额外的自由度。EM也非常适合于图像序列和/或移动机器人所需的递归估计。我们在“亚特兰大世界”的图像上给出了实验结果，该图像干扰屏蔽器是具有多个正交边缘组的复杂城市场景，验证了我们的方法。我们还展示了移动机器人上连续相对方位估计的结果。