SLAM相关

SLAM相关论文摘要

1. 相关算法关系图
   
   高精度地图定位
   由于一些停车场是在室内，所以对于车辆的定位问题，如果没有高精度地图的支撑是很难解决的，有了髙精度地图数据，车辆通过自身车辆的摄像头等视觉设备，提取停车场的一些关键特征，然后通过这些特征与髙精度地图进行比对，进而可以得到车辆的自身位置，这就是高精度地图提供的定位功能。
   
   高精度地图相关
   高精度地图的构建由五个过程组成：数据采集，数据处理，对象检测，手动验证和地图发布。数据采集是一个巨大的工程，Apollo 拥有近 300 辆专业车辆用于数据采集，这些数据采集车不仅仅用于数据采集，对于地图的维护更新也非常重要，它可以随时的更新地图数据。专业车辆具有角度的传感器，比如 GPS、惯性测量单元 (IMU)、激光雷达摄像机，Apollo定义了一个硬件框架，将这些传感器集成到单个自主系统中，通过将这些数据的融合，最终生成高精度地图。数据处理是指对手机的数据进行整理、分类以及清洗的过程，以获得没有任何语义信息或注释的初始地图模板。对于对象检测，Apollo 团队使用人工智能来检测静态对象并对其进行分类，包括车道线、交通标志甚至电线杆。手动验证可以确保自动地图创建过程正确并及时发现问题。经过了上述过程的处理，地图可以进行发布，除了发布高精度地图，Apollo还发布了采用自上而下视图的相对定位地图以及三维点云地图。

基于 GNSS/IMU/激光雷达的高精度地图生成算法研究 （吉大硕士论文2021）

1. 定位与地图构建（Simultaneous Localization and Mapping，SLAM）

是一种高精度点云地图生成算法。根据使用的传感器不同，SLAM 也分为视觉 SLAM 和激光 SLAM。视觉设备极易受到外界光线因素的干扰，相比之下激光雷达的点云数据更加稳定，同时激光雷达采集到的点云信息可以更好地反应周围环的结构信息。

2.激光 SLAM 主要可以分为前端里程计、后端优化、建图等步骤。

前端里程计的作用是利用点云配准来获取相邻两帧激光雷达之间的刚性变换。IMU 预积分的结果可以为前端里程计提供初始的位姿变换矩阵。前端里程计只考虑了相邻两帧之间的位姿变换关系，所以会存在累计误差。后端优化通过加入回环检测、GNSS 绝对值等约束来降低累计误差带来的影响。建图是将各个相邻的点云以点云拼接的方式生成点云地图。

• PNP

• ICP

主流slam框架