激光slam课程学习笔记－－第３课： 3Ｄ激光 slam

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课介绍的是3d 激光slam。

1.3D激光SLAM的介绍

1.1 3d雷达slam的输入

1）IMU数据
2）里程计数据
3）3d激光雷达数据

1.2 3d激光slam的输出

1）3d点云地图
2）机器人的轨迹or PoseGraph

1.3 3d激光SLAM的帧间匹配方法

1）Point-to-Plane ICP [点到面ICP匹配]
2）NDT [常用于纯定位上，由于其计算量比较小]

3）Feature-based Meth [类似视觉的匹配方式，提取特征点进行匹配][Loam框架常用该方法，其采用具体方法有line point，plane point][line point线点匹配方式，比如3d激光雷达扫射一个线物体，得到的线上的激光点，称为线点，而匹配时，采用的就是该线点]

1.4 3d激光SLAM的回环检测方法

1）Scan-to-Scan
2）Scan-to-Map
3）Branch and Bound & Lazy Decision

[回环检测的方法跟2d激光slam没有区别]

2. 3D激光SLAM的发展

2.1 LOAM

纯激光，匀速运动假设，无回环（zhangji loam）

[论文作者认为精度足够高，不需要做回环；并且，假设一个sweep内，车子属于匀速运动的（老师表示这个假设不合理）]

2.2 V-LOAM

视觉激光融合，漂移线性假设，无回环（zhangji v-loam）

[里面做了视觉里程计，假设视觉里程计漂移线性]

2.3 VELO

视觉激光融合，无运动畸变假设，有回环

[这个出自一个硕士论文，其假设3d激光雷达没有畸变的（这个假设不合理，由于激光帧率比较低），做了一个简单的回环检测]

[老师表示，不开源代码的论文一般不看，除非非常经典。由于不开源代码，其真实性不能保证，复现的时间成本比较高]

3. 3D激光SLAM的应用

3.1 数据的预处理

1）轮式里程计的标定
2）激光雷达运动畸变去除
3）不同系统之间的时间同步

3.2 与视觉融合

1）3d激光雷达为视觉特征提供深度信息
2）视觉辅助激光雷达进行运动畸变的去除

[由于3d激光雷达一般用在无人车上面，其高速移动会加剧运动畸变; 视觉提供辅助对于位姿的评估是非常有用的]

3）视觉辅助回环检测
4）视觉提供精确里程信息

4、激光slam的问题（以2d激光雷达为例）

1）退化环境（degeneration environment）

[1+1<2情况，多个传感器得到的效果，可能不如单个情况]

2）地图的动态更新（map updata）

3）全局定位（global localization）

4）动态环境定位（dynamic localization）

Q&A环节

1、在平面情况下，轮式里程计比imu的精度高很多

2、图优化时，若回环出错，会导致图变形

3、传感器越多，并不是表示定位精度越高，而是鲁棒性越好

4、退化环境举例。对于2d激光雷达，在走廊环境，该激光雷达完全无法修复位姿（由于传感器无法提供足够的约束导致的），那么走廊就是该传感器的退化环境。[个人理解，退化，就是没法找到足够数量的特征点，所以压根无法进行信息更新]

5、对于2d或者3d雷达精度，需要根据环境来进行讨论的，并不能一该而论的。

6、特征点，满足一定条件所筛选出来的点。比如，有些选择曲率很大的点视为角点，有些选择曲率很小的点视为平面点，这些选择出来的点就被视为特征点。

7、pcl里面封装了很多3d点云提取的函数

8、ros提供的导航包本身存在一定缺陷，实际使用，需要做一定的改进

#####################
图片版权归原作者所有
致谢曾老师的付出

不积硅步，无以至千里
好记性不如烂笔头
感觉有点收获的话，麻烦大大们点赞收藏哈