（学习笔记）激光SLAM的发展和应用趋势

目录

一、SLAM的定义（Simultaneous Localization And Mapping）

二、SLAM的框架

三、激光SLAM

1.传感器：

2.地图类型：

3.帧间匹配算法：

4.回环检测

5.SLAM论文：

2D激光SLAM的介绍

1.2D激光SLAM的输入

2.2D激光SLAM的输出

3.2D激光SLAM帧间匹配算法

4.2D激光SLAM的回环检测方法

2D激光SLAM的应用

1.数据预处理（非常重要）

2.实际环境中的问题

2D激光SLAM的趋势——与视觉融合

视觉提供的信息

缺点

3D激光SLAM的介绍

1.3D激光SLAM的输入

2.3D激光SLAM的输出

3.3D激光SLAM帧间匹配算法

4.3D激光SLAM的回环检测方法

3D激光SLAM的发展

3D激光SLAM的应用

1.数据预处理

2.与视觉融合

激光SLAM的问题

---

一、SLAM的定义（Simultaneous Localization And Mapping）

        搭载特定传感器（激光雷达、单目、双目、RGB-D摄像机）的主体，处于未知的环境中，在运动的过程中建立环境的模型（地图），同时估计自己的运动。

        Localization：在给定地图的情况下，估计机器人的位姿

        Mapping：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

二、SLAM的框架

1.（重点）Graph-based SLAM（基于图优化的SLAM）

2.（放弃）Filter-based SLAM（基于滤波器的SLAM）：

        此框架问题：只估计当前时刻的位姿，而不管机器人之前时刻的位姿，这样的方法问题在于前面不可避免产生的累计误差无法修复。

        案例：Gmapping 算法使用此框架，问题是当环境变大时，Gmapping无法建出效果好的地图，可以发现，小环境中Gmapping的效果较好，一旦环境扩大此算法无法维持地图一致。在Cartographer出现之后，Gmapping就没有使用的必要了。

三、激光SLAM

1.传感器：

惯性测量单元（IMU）：用来算角度；

轮式里程计（Wheel Odometry）：用来算距离，用来算角度误差会很大；

激光雷达（Lidar）

2.地图类型：

覆盖栅格地图（主要）：很容易区分哪些是障碍物，哪些是可以通过的；

点云地图

3.帧间匹配算法：

ICP（Iterative Closest Point）；

PI-ICP（Point-to-Line Iterative Closest Point）：效果比ICP好；

NDT（Normal Distribution Transfomation）：2D激光SLAM领域用的很少；

CSM（Correlation Scan Match）：计算量大。

4.回环检测

Scan-to-Scan（雷达数据与雷达数据进行匹配）：淘汰，激光信息量太少，非常容易匹配错；

Scan-to-Map（雷达数据与地图进行匹配）：主流，典型案例：Cartographer；

Map-to-Map（地图与地图进行匹配）：很少用，推崇这种方式。

5.SLAM论文：

Incremental Mapping of Large Cyclic Environments（99年）：完整的2D激光SLAM框架论文，现在的2D激光SLAM方案都基于此，Map-to-Map方法，但未意识到系统的稀疏性；

g2o：图优化论文；

Cartographer：开源代码中效果最好的，但容易崩溃，待优化的地方：Scan-to-Map→Map-to-Map，SPA→CSM。

2D激光SLAM的介绍

1.2D激光SLAM的输入

IMU数据        里程计数据        2D激光雷达数据

2.2D激光SLAM的输出

覆盖栅格地图        点云地图

3.2D激光SLAM帧间匹配算法

PI-ICP 

CSM       

梯度优化方法 ：Hector_slam使用，把匹配问题建模成一个非线性最小二乘优化问题；       

State of Art：CSM+梯度优化：Cartographer使用。

4.2D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的应用

1.数据预处理（非常重要）

轮式里程计的标定：在线标定较重要，可以实时计算轮子直径

激光雷达运动畸变去除：雷达扫描一周不是瞬时的

不同系统间的时间同步：各模块之间传输耗时

2.实际环境中的问题

（1）动态物体               

（2）环境变化                        

（3）几何结构相似环境

（4）建图的操作复杂：重要问题    

（5）全局定位 ：2D激光不好做                       

（6）地面材质的变化

（7）地面凹凸不平         

（8）机器人载重的变化

（3）（5）（6）（7）（8）：激光、视觉融合可解决。

2D激光SLAM的趋势——与视觉融合

视觉提供的信息

高精度的里程信息：可解决上面的（3）、（5）问题；

信息量丰富的视觉地图：可解决上面的（6）、（7）、（8）问题。

缺点

融合可能会出现1+1< 2的结果。

3D激光SLAM的介绍

1.3D激光SLAM的输入

IMU数据        里程计数据        3D激光雷达数据

2.3D激光SLAM的输出

3D点云地图        机器人轨迹或PoseGraph

3.3D激光SLAM帧间匹配算法

Point-to-Plane ICP

NDT：纯定位用的多；

Feature-based Method

4.3D激光SLAM的回环检测方法

Scan-to-Map

Map-to-Map

Branch and Bound & Lazy Decision

3D激光SLAM的发展

1.LOAM：纯激光，匀速运动假设，无回环（CMU开源，Github可找到）；

2.V-LOAM：视觉激光融合，漂移线性假设，无回环（CMU未开源，但可根据LOAM修改实现，视觉作为里程计）；

3.VELO：视觉激光融合，无运动畸变假设（不合理假设），有回环（硕士毕业论文）。

3D激光SLAM的应用

1.数据预处理

同2D激光SLAM

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去除；

3.激光辅助回环检测；

4.视觉提供精确里程信息。

激光SLAM的问题

1.退化环境：30米走廊可能测为27米，使用里程计误差没有这么大，但无法判断何时使用里程计；

2.地图的动态更新：DPG算法在优化；

3.全局定位：方法：MHT和视觉；

4.动态环境定位

VO+轮式里程计效果相比VIO会更好。