当前位置:   article > 正文

激光SLAM-ch1 激光SLAM简要概述

激光slam

一:激光SLAM简介

1:SLAM是什么

(1)SLAM的定义

  • Localiztion:在给定地图的情况下,估计机器人的位姿
  • Mapping:在给定机器人位姿的情况下,估计环境地图
  • SLAM:同时估计机器人的位姿和环境地图

(2)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

2:SLAM的分类

(1)静态环境的SLAM(static environments)

  • 尺度地图(Metrical map)

    ->贝叶斯滤波器(Bayesian filters)

    ->卡尔曼滤波器(Kalman filter)

    ->信息滤波器(Information filter)

    ->粒子滤波器(Particle filter)

    ->基于图优化(Graph-based)

  • 拓扑地图(Topological map)

  • 混合地图(Hybrid map)

(2)动态环境(Dynamic environments)

  • 高动态环境(High dynamic objects)

  • 低动态环境(Low dynamic objects)
    在这里插入图片描述

3:SLAM的框架

(1)基于图优化的SLAM框架

在这里插入图片描述
在这里插入图片描述

通过最小二乘使误差error收敛于0

(2)基于滤波器的SLAM框架

  • 状态预测(State Prediction)
  • 测量预测(Measurement Prediction)
  • 进行测量(Measurement)
  • 数据关联(Data Association)
  • 状态更新 & 地图更新(State & Map Update)

在这里插入图片描述

4:激光SLAM

(1)传感器:

  • 惯性测量单元(IMU)
  • 轮式里程计(Wheel Odometry)
  • 激光雷达(Lidar)

(2)地图类型

  • 覆盖栅格地图(Occupany Grid Map)
  • 点云地图

(3)帧间匹配算法

  1. ICP(iterative closest point)

    点对点迭代最近匹配,匹配时有可能产生误差,由于激光的不连续性造成

  2. PI-ICP(point to-line iterative closest point)

    点对线迭代最近匹配,使用效果比1好

  3. NDT(normal distribution transfomation)

    把地图视为很多高斯分布集合,利用高斯分布的方法来匹配,应用较少

  4. CSM(correlation scan match)

    相关匹配,注意csm也可认为是2的匹配方法的称呼,其原理为暴力搜索,所以计算量较大

(4)回环检测

  • Scan-to-Scan

    这种方法基本淘汰了,由于激光的信息量过小,采用该方法容易出错

  • Scan-to-Map

    即激光雷达扫描数据直接与地图进行匹配,得到实际位置坐标[x,y,theta]

    应用比较广泛,其利用当前帧信息对比历史数据进行检测

  • Map-to-Map

    利用当前最近的n帧激光信息组成的子图,将子图和过去的地图进行匹配

    【推荐这种办法,由于激光的信息量比较少,导致前面两种的方法容易出错】

二:2D激光SLAM

1:2D激光SLAM的介绍

(1)2D激光SLAM的输入

  • IMU数据
  • 里程计数据
  • 2D激光雷达数据

(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的帧间匹配方法

  • PI-ICP
  • CSM
  • 梯度优化方法
  • State of Art:CSM+梯度优化

(4)2D激光SLAM的回环检测方法

  • Scan-to-Map

  • Map-to-Map

  • Branch and Bound & Lazy Decision

    剪支与延迟决策

2:2D激光SLAM的发展

(1)基于滤波器的SLAM

  • EKF-SLAM – 90年代
  • FastSLAM – 02~03
  • Gmapping – 07
  • Optimal RBPF – 10

(2)基于图优化的SLAM

  • Globally Consistent Range Scan For Environment Mapping – 97
  • Incremental Mapping of Large Cyclic Environment – 99
  • Karto SLAM – 10
  • Cartographer – 16

3:2D激光SLAM的应用

(1)数据的预处理–是一切准确性的前提

  • 轮式里程计的标定
  • 激光雷达运动畸变去除
  • 不同系统之间的时间同步

(2)实际环境中的问题

  1. 动态物体
  2. 环境变化
  3. 几何结构相似环境
  4. 建图的操作复杂
  5. 全局定位
  6. 地面材质的变化
  7. 地面凹凸不平
  8. 机器人载重的改变

4:2D激光SLAM的趋势-与视觉融合

(1)视觉提供的信息

  • 高精度的里程计信息
  • 信息量丰富的视觉地图

(2)融合解决的问题–3,5,6,7,8

三:3D激光SLAM

1:3D激光SLAM的介绍

(1)3D激光SLAM的输入

  • IMU数据
  • 里程计数据
  • 3D激光雷达数据

(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
  • NDT
  • Feature-based Method

(4)3D激光SLAM的回环检测办法

  • Scan-to-Scan
  • Scan-to-Map
  • Branch and Bound & Lazy Decision

2:3D激光SLAM的发展

  1. LOAM–纯激光,匀速运动假设(在激光的一个采样周期内),无回环
  2. V-LOAM-视觉激光融合,漂移线性假设,无回环
  3. VELO-视觉激光融合,无运动畸变假设,有回环(简单的)

3:3D激光SLAM的应用

(1)数据的预处理

  • 轮式里程计的标定
  • 激光雷达运动畸变去除
  • 不同系统之间的时间同步

(2)与视觉融合

  • 3D激光雷达为视觉特征提供深度信息
  • 视觉辅助雷达进行运动畸变去除
  • 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
  2. 地图的动态更新
  3. 全局定位
  4. 动态环境定位
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/正经夜光杯/article/detail/810035
推荐阅读
  

闽ICP备14008679号