SLAM的起源及发展现状

        SLAM的英文全称为Simultaneous Localization and Mapping，中文意思是同步定位与构图。SLAM问题回答了对于一个被放置在未知位置的未知环境中的移动机器人来递增的构建周围环境的连续性地图并同时估计自身在地图中的位置是否为可行的。SLAM问题的解决方案被视为移动机器人领域的“圣杯”，因为它实现了机器人真正意义上的自主性。

         在过去的十年里，SLAM问题的解决方案一直是机器人邻域最显著的成就之一。SLAM作为一种理论方法，它被以多种不同形式的方式被提出并解决，它被广泛的应用到了室内、室外、水下和空中等的环境中。在理论和概念层面上，SLAM现在可以被认为是一个已解决的问题了。然而，在实际实现更通用的SLAM解决方案方面，尤其是在构建和使用感知丰富的地图作为SLAM算法的一部分方面，仍然存在大量棘手的问题。

SLAM的历史

        SLAM问题起源于1986年在美国旧金山召开的IEEE机器人与自动化会议上。在这一时期统计概率的方法才刚刚开始被同时引入到机器人和人工智能领域。大量的研究人员一直在研究如何将估计理论应应用在构图与定位的问题上；这些人包括Peter Cheeseman、Jim Crowley以及Hugh Durrant-Whyte。在整个会议过程中，许多桌子上充满了关于连续性建图的长篇讨论。一路上，Raja Chatila、Oliver Faugeras、Randal Smith、等其他学者也对这次对话做出了有益的贡献。

       这次对话的结果是人们认识到一致性概率映射是机器人学的一个基本问题，需要解决主要的概念和计算问题。在接下来的一些年份中，大量的重要的论文被发表了出来。Smith、Cheesman[R. Smith and P. Cheesman, “On the representation of spatial uncertainty,” Int. J. Robot. Res., vol. 5, no. 4, pp. 56–68, 1987] 和 Durrant-Whyte[H.F. Durrant-Whyte, “Uncertain geometry in robotics,” IEEE Trans. Robot. Automat., vol. 4, no. 1, pp. 23–31, 1988] 建立了用于描述地标和操纵几何不确定性关系的统计学基础，这项工作的一个关键点表明了，对地图上不同地标位置的估计之间必须有高度的相关性，而且这些相关性确实会随着连续观测而增加。

       与此同时，Ayache和Faugeras[N. Ayache and O. Faugeras, “Building, registrating, and fusing noisy visual maps,” Int. J. Robot. Res., vol. 7, no. 6, pp. 45–65, 1988]在视觉导航方面做了一些早期的工作，Crowley[J. Crowley, “World modeling and position estimation for a mobile robot using ultra-sonic ranging,” in Proc. IEEE Int. Conf. Robot. Automat., 1989, pp. 674–681]、Chatila和Laumond[R. Chatila and J.P. Laumond, “Position referencing and consistentworld modeling for mobile robots,” in Proc. IEEE Int. Conf. Robot. Automat., 1985, pp. 138–143]在基于声呐的移动机器人上展开了研究，使用的是卡尔曼滤波器形式的算法。这两股研究有着诸多的共同点随后导致了Smith[R. Smith, M. Self, and P. Cheeseman, “Estimating uncertain spatial relationships in robotics,” in Autonomous Robot Vehicles, I.J. Cox and G.T. Wilfon, Eds. New York: Springer-Verlag, pp. 167–193, 1990]等人发表了关于路标的文章。这篇文章展示了移动机器人经过一个未知的环境并对路标进行相对观测，这些路标的估计是相互高度相关的因为机器人的位置估计误差是相同的[J.J. Leonard and H.F. Durrant-Whyte, “Simultaneous map building and
localisation for an autonomous mobile robot,” in Proc. IEEE Int. Workshop Intell. Robots Syst. (IROS), Osaka, Japan, 1991, pp. 1442–1447]。这隐含的意义深远：关于同步定位与构图的完整解决方案需要联合机器人的位姿与路标的位置，在每次观测路标后，一起被更新。其结果是，估计器需要引入一个很大的状态向量（阶数与地图中的地标数量相关），计算量随着路标的数量的平方增大。

        更重要的是，这些工作没有关注地图的收敛特性或者它的稳定性表现。的确，当时人们普遍认为，估计的地图误差不会收敛，而是表现出随机游走行为，误差增长是无限的。因此，考虑到建图问题的计算复杂性，在不知道地图的收敛性的情况下，研究人员转而关注一致构图问题的一系列近似，假设甚至强迫地标之间的相关性最小化或消除，因此将一个完整的滤波器分解成一些列解耦的地标到机器人的滤波器([J.J. Leonard and H.F. Durrant-Whyte, Directed Sonar Navigation.Norwell, MA: Kluwer, 1992][W.D. Renken, “Concurrent localization and map building for mobile robots using ultrasonic sensors,” in Proc. IEEE Int. Workshop Intell. Robots Syst. (IROS), 1993])。也由于这些原因，定位与构图的联合的理论研究工作迎来了一个短暂的暂停，工作都被集中到了要么建图要么定位这两各独立的问题。

        随着意识到联合构图与定位问题，曾经被认为是一各单独的估计问题，实际上是收敛的，这一观念的突破。更重要的是，当认识到路标之间的相关性，大部分的研究主试图最小化，实际上是问题的关键部分，反而是它们的相关性越高，问题解决的就越好。SLAM问题的结构，在1995年机器人研究国际研讨会上，收敛结果和缩略字母SLAM的创造在一篇移动机器人调查文章中首次被提出[H. Durrant-Whyte, D. Rye, and E. Nebot, “Localisation of automatic guided vehicles,” in Robotics Research: The 7th International Symposium (ISRR’95), G. Giralt and G. Hirzinger, Eds. New York: Springer Verlag, pp. 613–625, 1996]。关于收敛性的关键理论和许多初始的结果由Csorba[M. Csorba, “Simultaneous Localisation and Map Building,” Ph.D. dissertation, Univ. Oxford, 1997][M. Csorba and H.F. Durrant-Whyte, “A new approach to simultaneous localisation and map building,” in Proc. SPIE Aerosense, Orlando, FL, 1996.]开发了出来。已有几个小组在进行定位与构图工作。尤其是麻省理工学院[J.J. Leonard and H.J.S. Feder, “A computational efficient method for large-scale concurrent mapping and localisation,” in Robotics Research,The Ninth International Symposium (ISRR’99), J. Hollerbach and D.Koditscheck, Eds. New York: Springer-Verlag, pp. 169–176, 2000][J.A. Castellanos, J.M. Martnez, J. Neira, and J.D. Tardós, “Experiments in multisensor mobile robot localization and map building,” in Proc. 3rd IFAC Sym. Intell. Auton. Vehicles, 1998, pp. 173–178.][J.A. Castellanos, J.D. Tardós, and G. Schmidt, “Building a global map of the environment of a mobile robot: The importance of correlations,” in Proc. IEEE Int. Conf. Robot. Automat., 1997, pp. 1053–1059.]，悉尼的ACFR[J. Guivant, E.M. Nebot, and S. Baiker, “Localization and map building using laser range sensors in outdoor applications,” J. Robot. Syst., vol.17, no. 10, pp. 565–583, 2000][S.B. Williams, P. Newman, G. Dissanayake, and H.F. Durrant-Whyte,“Autonomous underwater simultaneous localisation and map building,” in Proc. IEEE Int. Conf. Robot. Automat. (ICRA), San Francisco,CA, Apr. 2000, pp. 1793–1798.]，以及其它的[K.S. Chong and L. Kleeman, “Feature-based mapping in real, large scale environments using an ultrasonic array,” Int. J. Robot. Res., vol.18, no. 1, pp. 3–19, 1999.][M. Deans and M. Hebert, “Experimental comparison of techniques forlocalization and mapping using a bearing-only sensor,” in Proc. Int.Symp. Experimental Robot., 2000, pp. 395–404.]，等开始认真的研究SLAM，从室内到室外再到海底环境。

       在这一时期，工作主要集中在提高计算效率以及解决数据关联问题和回路闭合问题。1999年机器人研究国际研讨会(ISRR'99)是一个重要的会议节点，在这里举行了第一个关于SLAM的会议，其中，基于卡尔曼滤波的SLAM方法与Thrun[S. Thrun, D. Fox, and W. Burgard, “A probabilistic approach to concurrent mapping and localization for mobile robots,” Mach. Learning,vol. 31, no. 1, pp. 29–53, 1998.]引入的概率定位和构图方法之间达到了一定程度的收敛。2000年IEEE机器人技术与自动化国际会议（ICRA）的SLAM研讨会吸引了15位研究人员，重点讨论了算法复杂性、数据关联和实现挑战等问题。2002年ICRA的SLAM研讨会吸引了150名具有广泛兴趣和应用的研究人员。2002年，斯德哥尔摩KTH举办了由Henrik Christiansen主办的SLAM暑期学校，吸引了所有的关键研究人员以及大约50名博士。学生来自世界各地，并在建设领域取得了巨大成功。近些年对SLAM感兴趣的研究成指数级别的增长，研讨会持续的在ICRA和IROS被举办。