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
    激光SLAM的发展和应用趋势_第1张图片
  2. 根据应用场景分类

激光SLAM的发展和应用趋势_第2张图片

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

激光SLAM的发展和应用趋势_第3张图片

  1. 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

激光SLAM的发展和应用趋势_第4张图片

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)

激光SLAM的发展和应用趋势_第5张图片

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。

激光SLAM的发展和应用趋势_第6张图片

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

    激光SLAM的发展和应用趋势_第7张图片

    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。

你可能感兴趣的:(单片机)