激光SLAM的发展和应用趋势_激光slam发展需求-CSDN博客

本文链接：https://blog.csdn.net/weixin_46777885/article/details/124326449

1、激光SLAM的发展和应用趋势

1、SLAM是什么

SLAM的定义

Localization：在给定地图的情况下，估计机器人的位
SLAM：同时估计机器人的位姿和环境地图。
Mapping：在给定机器人位姿的情况下，估计环境地图

SLAM解决的问题

机器人在环境中的位姿
导航过程中需要的环境地图

自主移动机器人核心技术，路径规划所需要的环境地图，定位位姿估计。

2、SLAM的分类

主流分类方法
根据应用场景分类

在这里插入图片描述

1、静态、动态环境

2、高动态环境（机器人的视野范围内有移动物体）、低动态环境（看不到有动态）

3、根据输出分为三种类型尺度（跟现实对应）、拓扑（大环境中）、混合地图

4、尺度地图实现方法：

3、SLAM的框架

基于贝叶斯（滤波器）

Filter-based SLAM (𝑝(𝑥𝑡, 𝑚|𝑧1:𝑡, 𝑢1:𝑡))
- 状态预测(State Prediction)
  - 里程计的预测 odom
- 测量预测(Measurement Prediction)
  - xt
- 进行测量(Measurement)
  - 真实测量
- 数据关联(Data Association)
  - grade-based
- 状态更新 & 地图更新(State & Map Update)
1、机器人只顾及当前时态的位置 xt，不管上一刻，计算量小了，但前面如果产生误差就会形成累计误差，无法修正。如Gmapping，环境一大无法简称完整地图。

2、实际上是一个基于（贝叶斯）滤波器估计的过程。卡尔曼滤波器

在这里插入图片描述

基于图优化

Graph-based SLAM (图论)
- Graph:表示SLAM的过程
- Node：机器人的位姿
- Edge：节点之间的空间约束关系

在这里插入图片描述

在建图过程中会积累误差，通过最小二乘法来优化过程中累计的误差。

分为前端（构图过程）和后端（图优化）

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Mc4Z0Jg4-1650531794114)(C:\Users\10343\AppData\Roaming\Typora\typora-user-images\1650352183181.png)]$

xi 到 xj 之间有一个观测值和构图值,形成回环检测，其误差未eij，优化eij; 得到全局一致性。

在这里插入图片描述

4、激光SLAM

1、传感器

惯性测量单元(IMU)
- 算角度
激光雷达(Lidar)
- 算角度误差会比较大，一般算距离
轮式里程计(Wheel Odometry)

2、地图类型

覆盖栅格地图(Occupany Grid Map)
- 有点-- 对环境做出了鲜明的区分，哪里是通行区，哪里是障碍。
点云地图

3、激光SLAM

帧间匹配算法

ICP(Iterative Closest Point)
- 点对点
NDT(Normal Distribution Transfomation)
PI-ICP(Point-to-Line Iterative Closest Point)
- 误差点对线
CSM(Correlation Scan Match)
- 主流非暴力。

回环检测

Scan-to-Scan
- 淘汰，2D激光信息量太少
Map-to-Map
Scan-to-Map
- 多帧雷达集合到一起

2、2D激光SLAM的介绍

传感器换成2D雷达

1、2D激光SLAM的输入

IMU数据
2D激光雷达数据
里程计数据

2、2D激光SLAM的输出

覆盖栅格地图
机器人的轨迹 or PoseGraph

3、2D激光SLAM的帧间匹配算法

PI-ICP
梯度优化方法（Hecter-SLAM ）
- 非线性最小优化问题对初值敏感
CSM(Correlation Scan Match)
- 精度受限宇最小分辨率,不限于局部极值。
State of Art: CSM+梯度优化
- 上两种融合 — catergraph

4、2D激光SLAM的回环检测方法

Scan-to-Map
Map-to-Map
Branch and Bound & Lazy Decision
- 最优解，剪枝，叶子节点小于等于父节点。达到回环检测加速。形成回环时延后优化，（P 40：00）,设定阈值两两回环之间一致性校验。错误回环偶尔出现。
- 分支定界的CSM 加速回环检测，延时决策。回环定严格。

5、激光SLAM的发展

1、Filter-based （滤波器）

EKF-SLAM----90年代（特征地图）
Gmapping----07 （Grid版的FastSLAM）
- 缺点所有粒子一视同仁，误差随机，误差形成，没办法修复。非常依赖于里程计，MRPT，每次选一个最优粒子，减少噪声。
FastSLAM----02~03
Optimal RBPF----10

2、Graph-based （图优化）主流

Globally Consistent Range Scan For Environment Mapping----97 （第一篇论文，稀疏性）
Karto SLAM----10
Incremental Mapping of Large Cyclic Environments----99（经典）
Cartographer----16 （优化版）
- 基于SPA ，map-to -map回环检测；正则表达式效果最好。

CSM 、 SPA 认识到稀疏性（用的少）。

gmapping实际上计算量大，每个粒子都携带地图，Scan-match

Cartographer- 每次只需一次一个csm，一个优化

3、2D激光SLAM的应用

1、数据预处理—非常重要！

算法固然好，不如对原始数据做好预处理

数据处理的三个部分：

轮式里程计的标定
- 决定初始解，
- offline 出厂标定
- online 实时标定，轮子直径长度等比较高的精度。
激光雷达运动畸变去除

$- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vnSrmM6d-1650531794114)(C:\Users\10343\AppData\Roaming\Typora\typora-user-images\1650358720446.png)]$

运动时并不是瞬间采集到一周数据，会有误差畸变。
不同系统之间的时间同步