激光SLAM发展方向及应用

1、SLAM简介

       location:(L):在给定地图的情况下，估计机器人的位姿

       Mapping(M):在给定机器人位姿的情况下，估计环境地图
       SLAM： 同时估计机器人的位姿和环境地图
       SLAM解决的问题：（1）机器人在环境中的位姿（2）导航过程中需要的环境地图

1.1 SLAM 分类

静态环境：尺度地图：滤波器、图优化

                  拓扑地图：大环境

                  混合地图

SLAM框架：前端：地图构建。后端：优化   误差  ~ 0

图优化：Graph-based SLAM     Node：机器人的位姿
                                                   Edge：节点之间的空间约束关系
                                                   Graph：表示SLAM的过程
滤波器：Filter-based SLAM       状态预测(State Prediction)（里程计）
                                                    测量预测(Measurement Prediction)

                                                    进行测量(Measurement)
                                                    数据关联(Data Association)
                                                    状态更新 & 地图更新(State & Map Update)
 

2、2D-激光SLAM

室内：二维激光雷达     室外：三维激光雷达

传感器：惯性测量单元(IMU)  --  测角度      轮式里程计(Wheel Odometry) --测距离    激光雷达(Lidar) 

地图类型 ：覆盖栅格地图(Occupany Grid Map)      点云地图
帧间匹配算法
                       ICP(Iterative Closest Point)
                        NDT(Normal Distribution Transfomation)
                        PI-ICP(Point-to-Line Iterative Closest Point)
                        CSM(Correlation Scan Match)
回环检测
              Scan-to-Scan
              Map-to-Map  ：把几帧地图集合成一个子图，在与历史上匹配构成回环
             Scan-to-Map ：当前激光数据与历史上匹配构成回环

2D激光SLAM的输入
                           IMU数据
                           2D激光雷达数据
                           里程计数

输出：    覆盖栅格地图、机器人的轨迹 or PoseGraph

2D激光SLAM的帧间匹配方法
                                          PI-ICP
                                          梯度优化方法
                                          CSM(Correlation Scan Match)
                                           State of Art: CSM+梯度优化    cartgrapher
2D激光SLAM的回环检测方法
                                          Scan-to-Map
                                           Map-to-Map
                                           Branch and Bound & Lazy Decision

2D激光SLAM的发展

Filter-based
            EKF-SLAM----90年代
            Gmapping----07
             FastSLAM----02~03
             Optimal RBPF----10
Graph-based
             Globally Consistent Range Scan For Environment Mapping----97
             Karto SLAM----10
             Incremental Mapping of Large Cyclic Environments----99
             Cartographer----16   目前最好

数据的预处理---非常重要！！！

• 轮式里程计的标定
• 不同系统之间的时间同步
• 激光雷达运动畸变去除

实际环境中的问题

• 动态物体
• 环境变化
• 几何结构相似环境
• 建图的操作复杂
• 全局定位
• 地面材质的变化
• 地面凹凸不平
• 机器人载重的改变

3、激光SLAM缺点及发展方向

• 视觉提供的信息
• 高精度的里程信息
• 信息量丰富的视觉地图

融合解决的问题

• 动态物体
• 环境变化
• 几何结构相似环境
• 建图的操作复杂
• 全局定位
• 地面材质的变化
• 地面凹凸不平
• 机器人载重的改变