SLAM技术大解析：它是如何帮助机器人实现智能行走的？

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转自：新机器视觉

对于扫地机器人相信很多人并不陌生，早期的扫地机器人只能实现室内的简单清扫，在房间内随机游走，经常出现碰壁现象。而如今随着SLAM技术在扫地机器人中的应用，目前的扫地机器人已变得非常智能了，可通过传感器对室内的环境进行扫描建图，并实现自主规划式清扫，还能做到自主回充、断点续扫等功能。

通过以上介绍，我们可以总结出，扫地机器人要真正实现智能清扫，至少需要做到以下几点：

1.知道自己在哪（定位）：也就是扫地机器人在工作过程中需要清楚自己所在房间的具体位置。

2.了解周围环境是什么样子（建图）：也就是需要知道整个房间的地面结构信息。

3.该如何到达指定地点（路径规划）：当扫地机器人要到达某个指定地点时，它能以最优路线到达目的地，并绕开障碍物。

有以上三大能力的扫地机器人就能变的非常智能了，不会像无头苍蝇一样在室内随机乱跑，而是可以从任意位置出发，根据建立好的地图实现规划式清扫，当然，扫地机器人也会根据当前定位及清扫情况，在建立好的地图基础上进行实时更新。

看完上面的例子，我们再回到SLAM的定义上，SLAM就是机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。SLAM的全称为Simultaneous Localization And Mapping即「同时定位与地图构建」

目前用于SLAM的传感器主要分为激光雷达及视觉传感器两种。

激光SLAM采用单线或多线激光雷达，一般用于室内机器人及无人驾驶领域，激光雷达的出现和普及使得测量更快更准，信息更丰富。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。

相对来说，激光测距较为准确，误差模型简单，在室内外环境中均能稳定运行，点云的处理也比较容易。同时，点云信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。

视觉SLAM也有类似的特点，它可从环境中获取海量的、富于冗余的纹理信息，拥有超强的场景辨识能力。早期的视觉SLAM基于滤波理论，其非线性的误差模型和巨大的计算量成为了它实用落地的障碍。近年来，随着具有稀疏性的非线性优化理论(Bundle Adjustment)以及相机技术、计算性能的进步，实时运行的视觉SLAM已经不再是梦想。

视觉SLAM的优点是它所利用的丰富纹理信息。例如两块尺寸相同内容却不同的广告牌，基于点云的激光SLAM算法无法区别他们，而视觉则可以轻易分辨。这带来了重定位、场景分类上无可比拟的巨大优势。同时，视觉信息可以较为容易的被用来跟踪和预测场景中的动态目标，如行人、车辆等，对于在复杂动态场景中的应用这是至关重要的。

总的来说，激光SLAM及视觉SLAM都有其局限性，未来相互融合将是大势所趋，但从目前两种技术的发展情况来看，基于激光雷达的SLAM相对来说更为成熟，产品落地也更为丰富。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~