（每日一读2019.10.26）2019年SLAM综述

Huang B, Zhao J, Liu J. A Survey of Simultaneous Localization and Mapping

摘要

slam是同步定位和建图的缩写，它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题：要精确地移动，移动机器人必须有一个精确的环境地图；然而，要建立一个精确的地图，移动机器人的感知位置必须精确地知道[1]。这样，同时建立地图和定位就可以看到一个问题：先是鸡还是蛋？（地图还是运动？）1990年，首次提出使用扩展卡尔曼滤波（ekf）来逐步估计机器人姿态上的后验分布和标志点的位置。事实上，机器人从未知环境的未知位置出发，在运动过程中通过反复观察环境特征来定位自身的位置和姿态，然后根据自身位置建立周围环境的增量地图，从而达到同步定位和地图建设的目的。定位是近年来一个非常复杂和热门的话题。定位技术依赖于环境和对成本、精度、频率和鲁棒性的要求，可以通过GPS（全球定位系统）、imu（惯性测量单元）和无线信号等来实现。但是gps只能在户外工作，imu系统有累积误差[5]。无线技术作为一种主动系统，无法在成本和精度之间取得平衡。近年来，随着激光雷达、摄像机、惯性测量单元等传感器的快速发展，slam技术应运而生。

从基于滤波器的slam开始，基于图的slam现在占据了主导地位。算法从kf（kalman filter）、ekf和pf（particle filter）发展到基于图的优化。单线程已被多线程所取代。随着多传感器的融合，slam技术也从最初的军用原型向后来的机器人应用转变。

本文的组织结构概括如下：第二节阐述了包括激光雷达传感器在内的激光雷达slam系统、开源激光雷达slam系统、激光雷达的深入学习、面临的挑战和未来。

第三章重点介绍了视觉slam，包括摄像机传感器、不同密度的开源视觉slam系统、视觉惯性里程测量slam、视觉slam的深度学习和未来。在第四节中，将演示激光雷达和视觉的融合。最后，本文指出了slam未来研究的几个方向，为slam的新研究者提供了高质量、全方位的用户