论文笔记—A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping

论文笔记—A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping

论文链接

文章摘要

     ~~~~          ~~~    自主导航既需要精确又鲁棒的建图和定位解决方案。在这种情况下，同时定位和建图（SLAM）是一个非常合适的解决方案。SLAM用于许多应用，包括移动机器人，自动驾驶汽车，无人驾驶飞行器或自动水下航行器。在这些领域中，对视觉和视觉-IMU SLAM都进行了深入研究，并在文献中定期提出改进建议。然而，LiDAR SLAM(激光雷达SLAM)技术似乎与十年或二十年前相对相同。此外，很少有研究工作专注于视觉-激光雷达方法，而这种融合将具有许多优势。实际上，融合解决方案可改善SLAM的性能，尤其是在剧烈运动，光线不足或视觉特征方面。本研究对visual-LiDAR SLAM进行了全面的调查。在总结了SLAM的基本概念及其实现之后，我们对SLAM的最新研究进行了全面回顾，重点介绍了使用视觉，激光雷达和两种模式的传感器融合的解决方案。

导语

     ~~~~          ~~~    在过去的几十年中，移动机器人的自主导航一直是一个非常活跃的研究领域，对自主导航的主要要求首先是对机器人本身的良好且准确的定位，其次是对环境的了解或感知。如今，使用的主要定位系统是全球导航卫星系统（GNSS）解决方案，该解决方案能够以很高的精度在地球上提供绝对定位。但是，根据环境（隧道，山洞，城市峡谷等）的不同，这种系统并不总是可用或准确的，并且可能导致几米的误差，这对于安全的自主导航是不可接受的。此外，移动机器人即使在具有潜在障碍的动态环境中也需要能够导航，并且始终没有关于其环境的任何先验信息（行星探测，搜索和救援等）。使机器人能够导航的唯一方法是以某种形式表示环境。在线生成3D地图似乎是3D世界中完整自主导航的起点。这样的地图可以由简单的几何特征组成，也可以由更复杂的语义对象组成。借助一致的地图，机器人将能够检测自由空间，障碍物和易于检测的地标，从而精确安全地导航。这样做，机器人将能够自我探索并绘制未知环境并与之安全交互。这种移动机器人的应用非常广泛：太空探索，自动驾驶汽车，海底分析，采矿应用，搜索和救援，结构检查等等。
　　这种导航方法称为同时定位和建图（SLAM）。 SLAM是一个机器人系统使用不同种类的传感器同时估计其在环境中位置的方式绘制环境地图的过程。 这样，操作员就可以使用这种地图可视化环境并设置机器人的路径，甚至可以由机器人本身来自主计划自己的任务。 自主导航就是这种情况，在这种情况下，机器人必须规划自己的路径并做出正确的决定，而无需人工干预。 即使发生一些意外事件，这样的机器人也可以保持自身的稳定性并计划其运动。
　　目前，SLAM应用研究最多的背景之一是自动驾驶汽车的区域 ，因为它需要定位和地图才能在环境中导航。 最近，业界提出了被称为“自动驾驶”的汽车，但是这些汽车只是自动导航的第一步，必须被视为“半自动驾驶汽车”，因为它们只能在非常特殊的情况下保证安全的自动驾驶。 特斯拉自动驾驶仪保证此时仅在高速公路路段或简单情况下自动驾驶，但需要驾驶员全神贯注。 考虑到Google的汽车，它只能在良好的天气条件下使用预先存在的精确3D地图在“宽阔的开阔道路”上行驶。
　　大多数自动驾驶汽车都使用光检测和测距（LiDAR）和/或立体摄像头来感知其所处的环境。此类系统通常与差分GPS（D-GPS）或基于卫星的增强系统（SBAS）和惯性测量单元（IMU）混合使用，以增强定位解决方案的稳定性。使用此类传感器，如果可以使用非常好的GNSS，则定位精度可能会落在几厘米的范围内。但是，在无法信任GNSS的情况下，必须研究其他本地化解决方案。大多数最先进的技术都试图通过诸如RADAR，LiDAR和单眼/立体相机之类的感受性传感器来解决这一定位问题。通过将此类外感传感器与经典的本体感测传感器（IMU，里程表）混合使用，可以减少或消除由于此类相对定位方法的累积误差而引起的漂移。有趣的是，最常用的方式（相机和激光雷达）是两种截然不同的传感器，各有优缺点。例如，激光扫描仪对于障碍物的检测和跟踪很重要，但对雨水很敏感，而相机通常用于获取场景的语义解释，但不能在恶劣的照明条件下工作。由于它们看起来是互补的，因此它们的融合将平衡各自的主要缺点。还有趣的是，SLAM问题中最具挑战性的问题是可以达到任意高值的错误累积。同时使用视觉传感器和激光雷达传感器可以减少局部不确定性，然后限制整体漂移。
　　本文的目的是提供一个现有的SLAM方法概述，重点是新颖的混合激光雷达-相机解决方案。 为了使SLAM的新研究人员可以访问本文，我们将在第2节中首先简要提到一下SLAM流程背后的理论。 然后，由于当前最新的主要LiDAR相机解决方案是视觉SLAM和激光雷达SLAM的简单组合，因此我们认为对每种方式的SLAM进行概述很重要。 第3节将重点介绍不同类型的视觉SLAM（V-SLAM）方法，这意味着具有单目和立体相机的V-SLAM，以及现代RGB-D和事件相机。 然后，第4部分将概述基于LiDAR的SLAM。 最后，在第5节中，我们将讨论有关混合摄像机LiDAR SLAM的最新技术，以了解已经覆盖的地面，并在第6节中，还有哪些工作要做。

SLAM

Ａ.本质

     ~~~~          ~~~    SLAM是一种用于同时估计传感器运动并重建访问区域的几何结构的技术。 这项技术最早于1985年开发出来，实现了机器人的自主控制。SLAM已被广泛研究并应用于各种传感器以及多种机器人平台。
　　基本思想是使用地标关联，并且需要地标关联来改善解决方案。 结合数据关联，SLAM解决方案可以执行回路闭合，以减少地图中每个姿势的不确定性，因为回路中的每个地标似乎都是相关的。
　　SLAM是一个估计问题。 我们要估计包括机器人轨迹或位姿的变量$\mathbf{X}$和代表环境中地标位置的变量$\mathbf{M}$。 给定一组测量值， Z = { z 1 ， . . . ， z m } \bm{Z}= \lbrace z_1，... ，z_m \rbrace Z={ z1​，...，zm​}和测量或观察模型$h(.)$表示$z_k$是$\mathbf{X}$和$\mathbf{M}$的函数，例如： 　　
　　${\mathbf{X}}_{\mathbf{k}}$，${\mathbf{M}}_{\mathbf{k}}$分别是$\mathbf{X}$和$\mathbf{M}$的子集以及${\epsilon }_k$是随机测量噪声。 SLAM倾向于以以下方式解决最大后验$（$