SLAM综述之Lidar SLAM

SLAM包含了两个主要的任务:定位与构图,在移动机器人或者自动驾驶中,这是一个十分重要的问题:机器人要精确的移动,就必须要有一个环境的地图,那么要构建环境的地图就需要知道机器人的位置。
本系列文章主要分成四个部分:
在第一部分中,将介绍Lidar SLAM,包括Lidar传感器,开源Lidar SLAM系统,Lidar中的深度学习以及挑战和未来。
第二部分重点介绍了Visual SLAM,包括相机传感器,不同稠密SLAM的开源视觉SLAM系统。
第三部分介绍视觉惯性里程法SLAM,视觉SLAM中的深度学习以及未来。
第四部分中,将介绍激光雷达与视觉的融合。

在1990年,[1]首次提出使用EKF(扩展卡尔曼滤波器)来逐步估计机器人姿态的后验分布以及地标点的位置。实际上,机器人从未知环境的未知位置开始,通过反复观测运动过程中的环境特征来定位自身的位置和姿态,然后根据自身的位姿都建周围环境的增量图,从而达到同时定位和地图构建的目的。

实际上 定位问题是近年来非常复杂且热点的问题。定位技术取决于环境对成本,准确性,定位频率和鲁棒性的需求,这可以通过GPS(全球定位系统),IMU(惯性测量单元)和无线信号等来实现[2]。但是GPS只能在室外工作,IMU系统具有累积误差。无线技术作为一种主动系统,无法在成本和准确性之间取得平衡。随着快速的发展,配备激光雷达,摄像头,IMU和其他传感器的SLAM近年来兴起了。从基于过滤器的SLAM开始,基于图的SLAM现在起着主要作用。该算法从KF(卡尔曼滤波器),EKF和PF(粒子滤波器)派生到基于图形的优化。并且单线程已被多线程取代。SLAM的技术也从最早的军事用途原型转变为后来的多传感器融合机器人应用。

激光雷达传感器
激光雷达传感器可分为2D激光雷达和3D激光雷达,它们由激光雷达光束的数量定义。在生产工艺方面,激光雷达还可分为机械激光雷达,混合式固态激光雷达(如MEMS)(微机电)和固态激光雷达。固态激光雷达可以通过相控阵和闪存技术生产。
Velodyne:在机械激光雷达中,它具有VLP-16,HDL-32E和HDL-64E。在混合固态激光雷达中,它具有32E的Ult

你可能感兴趣的:(点云学习)