Huang B, Zhao J, Liu J. A Survey of Simultaneous Localization and Mapping
摘要
slam是同步定位和建图的缩写,它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题:要精确地移动,移动机器人必须有一个精确的环境地图;然而,要建立一个精确的地图,移动机器人的感知位置必须精确地知道[1]。这样,同时建立地图和定位就可以看到一个问题:先是鸡还是蛋?(地图还是运动?)1990年,首次提出使用扩展卡尔曼滤波(ekf)来逐步估计机器人姿态上的后验分布和标志点的位置。事实上,机器人从未知环境的未知位置出发,在运动过程中通过反复观察环境特征来定位自身的位置和姿态,然后根据自身位置建立周围环境的增量地图,从而达到同步定位和地图建设的目的。定位是近年来一个非常复杂和热门的话题。定位技术依赖于环境和对成本、精度、频率和鲁棒性的要求,可以通过GPS(全球定位系统)、imu(惯性测量单元)和无线信号等来实现。但是gps只能在户外工作,imu系统有累积误差[5]。无线技术作为一种主动系统,无法在成本和精度之间取得平衡。近年来,随着激光雷达、摄像机、惯性测量单元等传感器的快速发展,slam技术应运而生。
从基于滤波器的slam开始,基于图的slam现在占据了主导地位。算法从kf(kalman filter)、ekf和pf(particle filter)发展到基于图的优化。单线程已被多线程所取代。随着多传感器的融合,slam技术也从最初的军用原型