Chapter 1 激光SLAM简要介绍
如有错误望不吝赐教!!!
环境划分
-
动态环境
高动态环境:在机器人所处的环境中有行人走动、车流等其他动态变化。
低动态环境:环境在变但在机器人的视野中无环境变化。
-
静态环境(根据输出过程划分)
尺度地图:尺度是和现实对应的,Hector、Cartographer都建立尺度地图(局部路径规划)
拓扑地图:环境较大时适用(两点间距离)(初步路径规划、全局路径规划)
混合地图:两者的混合,拓扑地图的节点上附着一个尺度地图
-
尺度地图实现方式
- 基于based/滤波器
- 基于图优化
尺度地图实现SLAM方法
Graph-based SLAM/图优化
用图表示SLAM过程,通过非线性最小二乘的方式来优化建图中累计的误差。
-
分为两部分
Front-End(前端)构图过程
Back-End(后端)优化过程
-
Node:机器人的位姿
Edge:节点的空间约束关系
Filter-based SLAM/滤波器(Gmapping)
机器人只估计当前时刻位姿,不管之前位姿。
-
Bayes估计过程(KF 卡曼):
状态预测(里程计的预测)
测量预测(xt->Hxt)
进行测量(zt)
数据关联(基于特征的和基于grind-based完全不同)
状态更新&地图更新
激光SLAM
激光SLAM重要构成
-
传感器
惯性测量单元(IMU)------------------------角度
轮式里程计(Wheel Odometry)--------距离
激光雷达(Lidar)
-
地图类型
覆盖栅格地图(更多):地图通行或障碍更清晰
点云地图
重要算法
-
帧间匹配算法
ICP(误差点对点)
PI-ICP(误差点对线、更好)
NDT(3DSLAM重要算法、二维很少用)
CSM/Correlation(08年论文,建立似然场模型,暴力搜索,不会只求出局部最优解)
-
回环检测
Scan-to-Scan(无人在意)
Scan-to-Map(较多,Cartographer)
Map-to-Map(n帧聚合子图和过去图匹配,无开源)
2D激光SLAM
-
输入:
IMU数据
里程计数据
2D激光雷达数据
-
输出:
覆盖栅格地图
机器人轨迹 or PoseGraph
-
帧间匹配法
-
回环检测法
Scan-to-Scan
Scan-to-Map
3D激光SLAM
-
输入:
IMU数据
里程计数据
3D激光雷达数据
-
输出:
3D点云地图
机器人的轨迹 or PoseGraph
-
帧间匹配法
Point-to-Plane ICP (点到另三个点构成的平面的距离)
NDT (纯定位)
Feature-based Method (点云中取一特征点,以特征点进行匹配???)
-
回环检测法
-
3D激光SLAM的发展
LOAM-纯激光,匀速运动假设,无回环
V-LOAM-视觉激光融合,漂移匀速假设,无回环
VELO-视觉激光融合,无运动畸变假设,有回环
-
数据预处理
-
与视觉融合
3D激光雷达作为视觉特征提供深度信息
视觉辅助激光雷达进行运动畸变去除
激光SLAM中的问题
退化环境(走廊建立地图短)
地图的动态更新
全局定位
动态环境定位