激光SLAM-ch1 激光SLAM简要概述

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)
  

3：SLAM的框架

（1)基于图优化的SLAM框架

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)

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