多传感器融合的SLAM综述

本文探讨了单一传感器SLAM在复杂场景下遇到的问题,如纹理变化、光照影响等,指出多传感器融合成为解决之道。多源融合方案包括相机、激光、IMU和GPS等多种传感器的融合,以及特征、几何和语义信息的结合。然而,多传感器融合也带来了数据同步、外参标定、计算效率和语义融合等挑战。
摘要由CSDN通过智能技术生成

1.单一传感器SLAM面临的问题

单一传感器会面临很多棘手的场景:在纹理少、四季天气变化、光照剧烈变化、车载条件IMU退化、长走廊、机器人剧烈运动等情况下,如下图所示。在这些复杂场景中,原来很好用的单一传感器的SLAM方法在往往会无用,很难发挥出应有的效果,导致建图失败。这些很棘手的场景会给我们带来实际应用中的困惑,采用单一的传感器会面临这个问题,所以多源融合这个领域很热门,被产业界所认可。
在这里插入图片描述

2.多传感器的融合方案

下图选自浙江大学刘勇教授在第二届全国SLAM技术论坛中的报告。

在这里插入图片描述
从上面多元融合的框架中我们可以看出,多源融合主要分为以下几个方面的融合:

  • 多传感器的融合:比如相机、激光、IMU以及GPS等
  • 多特征基元的融合:通过对特征点、线段还有灰度信息这些特征进行提取,从而得到多个特征基元。使用激光之后还能够得到三维点云的线特征、面特征以及正态分布特征,这些都是我们做SLAM时经常会使用的特征。
    -几何语义的融合:对相机和激光进行融合可以得到两个通道的信息,即图像和点云。现在的很多工作会将图像和点云信息直接输入到神经网络,这从某种层面上来说能够帮助我们提取语义信息。然后加上点云和图像的语义信息,就能够把几何和语义融合起来。

3.多源融合面临的问题

  • 多传感器融合之后,传感器间数据如何同步?外参关系如何标定?
  • 引入大量传感器之后,数据处理非常耗时,这与我们希望实现轻量级、快速响应且紧凑的SLAM系统相矛盾;
  • 传感器根据原理的不同,有些观测相互耦合,信息有一定的冗余;
  • 多特征基元的融合,在做线、面特征提取时,这是很工程化而且很依赖技巧,目前没有特别好的方法能够把线面的特征做到特别的通用、鲁棒;
  • 进行参数化或者数据关联时,如果使用很差的原始输入,会产生很多误差和干扰。除此之外,图像特征和激光特征如何进行提取?几何特征之间如何实现紧耦合,这都是进行多源耦合会面临的问题;
  • 怎么将语义信息融合到传统或者经典SLAM框架里,甚至能够像人一样地对语义进行认知。此外如何应用和集成图像语义和激光的语义信息,这也是非常有挑战性的问题。

本文是对浙江大学刘勇教授在第二届全国SLAM技术论坛中的报告和拾叁SHETHAN的imu 里程计融合_多源融合SLAM的现状与挑战这篇博客的整理
原文链接

  • 5
    点赞
  • 63
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

JaydenQ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值