Chapter1-激光SLAM简要介绍

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

  1. 基于based/滤波器
  2. 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