基于激光雷达slam的无人车室内导航比较分析

1.SLAM的可行性在文献A solution to the simultaneous localization and map building (SLAM) problem中得到了理论上的证明，其中发现估计的地图单调收敛到相对地图。

2.Parallel tracking and mapping for small AR workspaces开创了使用两个不同线程来处理特征跟踪和映射的方式。

3.视觉slam的不足：1）对环境光照敏感；2）光学纹理敏感，弱纹理下工作差；3）高速移动模糊。

4.激光雷达slam系统扫描匹配技术分为扫描到扫描、扫描到地图。

5.闭环检测技术：视觉上通常使用基于词袋技术的方法，激光上通常使用基于点云的地图匹配或基于匹配学习的特征比较进行检测。

5.激光slam新方法：

1）IMLS-SLAM: Scan-to-model matching based on 3D data

IMLS-SLAM使用隐式移动最小二乘曲面表示地图来提高定位精度。不足是无法实时运行。

2）MC2-SLAM与密集lidar点的地图变形保持全局地图一致性Elastic LiDAR fusion: Dense map-centric continuous-time SLAM，显著提高了CT-SLAM在长期操作中的性能Continuous 3D scan-matching with a spinning 2D laser。

3）集成相机和激光，实现鲁棒的特征跟踪LIMO: Lidar-monocular visual odometry。

4）期望最大化（EM）、面元表示、机器学习Learning a bias correction for lidar-only motion estimation。

6.根据计算位姿的方法不同，解决方案可以分为三类：基于高斯滤波器（参数滤波器，一般由一对值组成，即均值和协方差，eg:卡尔曼滤波及其变体）、基于粒子滤波器（非参数滤波器）、基于图优化。其中高斯滤波和粒子滤波都可以归类为贝叶斯滤波器方法。

7.LagoSLAM是一种基于图优化的 SLAM 方法。它从线性估计的角度引入了对完整 SLAM 问题的封闭式逼近。LagoSLAM 在线性逼近过程中不需要初始猜测。此外，结果足够准确，不需要使用非线性优化技术进行细化。实测：占用更高的 CPU 负载并且映射精度相对较低。

8.V-LOAM提出了一个结合视觉和 LiDAR 信息的通用框架，并获得了比 LOAM 更好的定位结果。对于 V -LOAM，视觉里程计在 60Hz（图像帧率）的高频下进行运动估计，而 LiDAR 里程计在 1Hz 的低频下起到细化运动估计、消除失真和校正漂移的作用。通过这种方式，系统能够适应快速移动和环境照明变化的环境。

9.Cartographer以5cm的分辨率实现实时映射和闭环。分支定界算法用于减少机器人姿态估计和闭环检测的计算量。为了消除扫描和子图匹配过程中产生的累积误差，采用闭环机制，利用稀疏姿态调整算法调整所有子图和扫描的姿态。

评估条件：

1）对Gmapping、Cartographer 和 LOAM进行评估（实际应用最广泛）

2）实验还包括在机器人运动模型中使用车轮编码器的方法称为车轮里程计和基于粒子滤波器的方法称为 AMCL。

3）使用三个不同的机器人进行实验，在规则和不规则的轨迹上移动，并执行多次。

硬件条件：

1）2.5GHz CPU和6GB RAM，软件系统安装Ubuntu v14.04和Indigo版本的（ROS）。

2）16线Velodyne LiDAR和IMU380ZA-200 IMU传感器

3）由于使用中的 IMU 具有较高的测量精度，且每次实验持续时间不长，因此我们可以在后面的实验中忽略 IMU 偏差（实验验证时间短，能代表长时间如此么？）

4）遥控机器人特定轨迹运行，用ROS记录轨迹行程，slam算法离线进行运行比较。

场景：

1）装满货物的仓库里；

2）两侧是玻璃墙的长走廊中；驱动机器人走L型和矩阵路径；

3）装满货物的仓库里，旨在评估在具有相对较高移动速度的大规模场景中的定位和建图性能。与实验一不同的是，本实验中的车辆在一条长长的走廊上行驶，两边都是货物。

结论：

1）规则和不规则路径下，Gmapping表现出比loam更改好的性能（小规模低速场景下）

2）在百平米区域内，Cartographer定位精度好。

3）低速下，loam和Cartographer性能相近；高速下（0.8 m/s），loam性能远超Cartographer。

4）Cartographer随着地图的扩大，内存占用不断增大。

5）方向估计，车轮里程计不靠谱；

6）Gmapping和Cartographer在小区域环境中都具有良好的定位性能。Gmapping在构建具有相同分辨率的地图时，需要比Cartographer更多的内存；

7）LOAM可以在小型和大型测试场中获得良好的性能。

8）可通过视觉特征和点云特征进行融合提高鲁棒性。