激光SLAM的发展和应用趋势

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

1. 主流分类方法
   
2. 根据应用场景分类

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

1. 基于贝叶斯（滤波器）

• Filter-based SLAM ((, |1:, 1:))

  • 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

2. 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）

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。

3. …

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

  

  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

odom—mcu—pc 之间都有延时误差。 20ms–50ms；

2、实际环境中的问题 （环境发生变化）

• 动态物体
• 环境变化
• 几何结构相似环境
• 建图的操作复杂 （推广成本）
• 全局定位 （mht）
• 地面材质的变化 (里程计问题)
• 地面凹凸不平
• 机器人载重的改变

4、2D激光SLAM的趋势—与视觉融合

趋势

1、视觉提供的信息

• 高精度的里程信息 (vo vwo)
• 信息量丰富的视觉地图 (wheel)

2、融合解决的问题

• 几何结构相似环境
• 全局定位
• 地面材质的变
• 地面凹凸不平
• 机器人载重的改变

3、视觉的问题：

白墙；

5、3D激光SLAM

1、3D激光SLAM的介绍

1、3D激光SLAM的输入

• IMU数据
• 3D激光雷达数据
• 里程计数据

2、3D激光SLAM的输出

• 3D点云地图
• 机器人的轨迹 or PoseGraph

3、3D激光SLAM的帧间匹配方法

• Point-to-Plane ICP （点面）
• Feature-based Method （提取特征点）
• NDT （纯定位）

4、3D激光SLAM的回环检测方法

• Scan-to-Scan
• Scan-to-Map （用feature-based 方法做）
• Branch and Bound & Lazy Decision

2、3D激光SLAM的发展

1. LOAM-纯激光，匀速运动假设，无回环。（作者 zhangji）
2. V-LOAM-视觉激光融合、漂移匀速假设，无回环。（精度够高不需要回环）
3. VELO-视觉激光融合，无运动畸变假设，有回环。（硕士论文）

3、3D激光SLAM的应用

1、数据的预处理

• 轮式里程计的标定
• 不同系统之间的时间同步
• 激光雷达运动畸变去除

2、与视觉融合

• 3D激光雷达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 （因为速度快，畸变严重）
• 视觉辅助回环检测
• 视觉提供精确里程信息

4、激光SLAM中的问题

1. 退化环境(Degeneration Environment)
   • 走廊，长度变短了。加了视觉会更大。
2. 地图的动态更新(Map Update)
   • 环境在变幻，地图也要更新 ，DPG
3. 全局定位(Global Localization)
   • 机器启动时 要知道机器人在哪 （MHT），辅助。
4. 动态环境定位(Dynamic Localization)
   • 动态物体跟踪DTMA

vo 加里程计，好于vio。