谷歌Cartographer的论文研读（二）

Real-Time Loop Closure in 2D LIDAR SLAM

 

这次将介绍到这篇论文的相关工作，以及本文提出的SLAM系统的总览

 

相关工作：

       1、mapping：

              (1) Scan-to-scan matching: 应用广泛，但累积误差较大

              (2) Scan-to-map matching: 用高斯牛顿方法限制累计误差，增加了局部优化，提高了有效性与鲁棒性，在一                                         些不稳定（这里指的是物理上的稳定）的平台上，需要配备IMU。

              (3) Pixel-accurate scan matching: 进一步减少了局部误差的累积，但是计算量变大了，当然该方法也可以用                                        于闭环检测。

      2、Loop Closure Detection：

             (1)激光扫描特征匹配；

             (2)直方图匹配；

             (3)扫描数据的特征检测；

             (4)机器学习；

      3、Optimization：

             (1)PF(粒子滤波)：必须维护一整张地图中的所有粒子，当测量范围变大时，资源消耗也巨大，该方法就显得比较乏力。

             (2)Graph-based SLAM(图优化)：机器人位姿为构建的顶点，边是位姿之间的关系。

       针对PF的局限，本文将用submap的方法，该方法，不需要栅格地图的每一个粒子，只会当有必要的时候才会去更新，这样可以解决粒子滤波资源大量占用问题

 

 系统总揽：

       本方法不使用PF，为了防止误差的累积，该系统会定期进行位姿优化

       过程： 

                (1)当有子图完成时，不会再有新的扫描被插入到其中，它将作为扫描匹配以进行回环检测。

                (2)若当前估计的位姿周围的搜索窗口中找到了足够好的匹配，则将其作为循环结束约束，添加到优化问题。

                (3)所有已经完成的子图和扫描匹配将会自动闭环。

       难点：闭环扫描匹配必须比添加新扫描要更快发生

       解决方法：分支定界(brand and bound)，预先计算好的网格