大家好，又見面了，我是你們的朋友風(fēng)君子。如果您正在找激活碼,請點擊查看最新教程,關(guān)注關(guān)注公眾號 “全棧程序員社區(qū)” 獲取激活教程,可能之前舊版本教程已經(jīng)失效.最新Idea2022.1教程親測有效,一鍵激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟無欺

點擊上方“AI算法修煉營”，選擇加星標(biāo)或“置頂”

標(biāo)題以下，全是干貨

前面的話

好久沒有更新SLAM系列的文章了，前面我們講到了激光SLAM技術(shù)。基于激光雷達的同時定位與地圖構(gòu)建技術(shù)（simultaneous localization and mapping， SLAM）以其準(zhǔn)確測量障礙點的角度與距離、 無須預(yù)先布置場景、可融合多傳感器、 在光線較差環(huán)境工作、 能夠生成便于導(dǎo)航的環(huán)境地圖等優(yōu)勢，成為目前定位方案中不可或缺的新技術(shù)。

激光 SLAM 任務(wù)是搭載激光雷達的主體于運動中估計自身的位姿，同時建立周圍的環(huán)境地圖。而準(zhǔn)確的定位需要精確的地圖，精確的地圖則來自于準(zhǔn)確的定位，定位側(cè)重自身了解，建圖側(cè)重外在了解。

具體細節(jié)可以參考文章：2020年最新 iPad Pro上的激光雷達是什么？來激光SLAM技術(shù)中找答案

今天來講講激光SLAM開源方案對比。

1. 激光SLAM開源方案對比

根據(jù)所采用的數(shù)學(xué)優(yōu)化框架， 激光 SLAM 可分為兩大類：基于濾波器（Filter-based）和基于圖優(yōu)化（Graph-based）的激光 SLAM。

1.1 基于濾波器的激光SLAM方案

由 Smith R 等人提出的擴展卡爾曼濾波 SLAM 方案（EKF-SLAM），使用最大似然算法進行數(shù)據(jù)關(guān)聯(lián)，該方案的缺點是計算量復(fù)雜，魯棒性較差，構(gòu)建的地圖是特征地圖而不是柵格地圖，無法應(yīng)用在導(dǎo)航避障上。

針對 EKF-SLAM 方案的不足， Montemerlo M 等人提出了 FastSLAM 方案，該方案將 SLAM 問題分解成機器人定位問題和基于已知機器人位姿的構(gòu)圖問題， 是最早能夠?qū)崟r輸出柵格地圖的激光 SLAM 方案。

用粒子濾波來估計機器人位姿， 將每個粒子用運動學(xué)模型進行傳播，對于傳播后的粒子用觀測模型進行權(quán)重計算并根據(jù)估計的位姿構(gòu)建地圖。

該方案存在兩個問題， 第一， 由于每個粒子包含機器人的軌跡和對應(yīng)的環(huán)境地圖，對于大尺度環(huán)境，若里程計誤差較大即預(yù)測分布與真實分布差異較大， 則需要較多粒子來表示機器人位姿的后驗概率分布，嚴重消耗內(nèi)存；第二，由于重采樣的隨機性，隨著重采樣次數(shù)增多，粒子多樣性散失，粒子耗散問題會嚴重影響地圖的構(gòu)建。

為了對 FastSLAM 方案進行優(yōu)化， Grisetti G 等人提出Gmapping 方案， 以 FastSLAM 方案為基本原理，在較小的環(huán)境中能實現(xiàn)較好的建圖效果，是目前使用最為廣泛的2D激光 SLAM 方案。

為了解決內(nèi)存消耗嚴重問題， 將粒子的數(shù)量保持在一個比較小的數(shù)值， 對預(yù)測分布采樣，然后基于優(yōu)化掃描匹配來優(yōu)化位姿。對于緩解粒子耗散問題，采用減少重采樣次數(shù)，用一個度量表示預(yù)測分布與真實分布的差異性，當(dāng)差異性很小時，不進行重采樣，當(dāng)差異性很大時，進行重采樣。該方案不足是在里程計模型在傳播時， 對所有的粒子同等對待，優(yōu)的粒子在傳播時可能變成差的粒子， 粒子退化問題嚴重。因此 Gmapping 方案非常依賴于里程計信息，構(gòu)建的地圖也取決于里程計的精度。

針對 Gmapping 方案的不足， Blanco J L 等人在 2010 年提出了更加優(yōu)化的 Optimal RBPF 方案，其在里程計模型傳播時，一個粒子每次傳播會得到 N 個粒子， 在 N 個粒子里面選擇最優(yōu)粒子， 作為此次的真實傳播， 相當(dāng)于每個粒子給了 N次機會，大大減少最優(yōu)粒子退化為噪聲很大的粒子情況。

1.2 基于圖優(yōu)化的激光SLAM方案

在激光雷達領(lǐng)域， Lu F， Milios E 等人首次提出利用圖優(yōu)化（graph-based optimization） 的數(shù)學(xué)框架優(yōu)化 SLAM 問題，通過非線性最小二乘方法來優(yōu)化建圖過程中累積的誤差。其存在的問題在于沒有認識到系統(tǒng)的稀疏性， 離線處理SLAM 問題。

由 Gutmann J 等人提出的圖優(yōu)化框架與當(dāng)前的圖優(yōu)化框架相似，包括局部掃描匹配、全局優(yōu)化、以及子圖與子圖的閉環(huán)檢測，不足是同樣沒有認識到系統(tǒng)的稀疏性，并非實時 SLAM。

為了進一步改善前面工作的不足， Konolige K 等人提出首個基于圖優(yōu)化框架的開源方案 Karto SLAM，該方案認識到了系統(tǒng)稀疏性，在一定程度上替代了基于濾波器的激光SLAM 方案。該方案的不足是采用局部子圖匹配之前都要構(gòu)建子圖，耗費時間較長；若采用全局匹配方法，則在搜索范圍大的時候速度會變慢。

谷歌的 Cartographer開源方案，是對 Karto SLAM 的優(yōu)化方案， 核心內(nèi)容是融合多傳感器數(shù)據(jù)的局部子圖創(chuàng)建以及用于閉環(huán)檢測的掃描匹配策略。

該方案中前端掃描匹配算法是結(jié)合 CSM 與梯度優(yōu)化來實現(xiàn)的。在生成一個子地圖后，會進行一次局部的閉環(huán)檢測；當(dāng)全部子地圖構(gòu)建完成后，利用分枝定界和預(yù)先計算的網(wǎng)格的算法，進行全局閉環(huán)檢測，從而保證閉環(huán)檢測的速度。該方案的不足是沒有對閉環(huán)檢測結(jié)果進行驗證， 在幾何對稱的環(huán)境中，容易引起錯誤的閉環(huán)。

另外， Kohlbrecher S 等人提出了 Hector-SLAM 方案，該方案利用高斯牛頓方法解決前端掃描匹配問題，把每一幀采集到的激光雷達數(shù)據(jù)和地圖進行匹配，該方案僅有前端掃描匹配的模塊，無后端優(yōu)化的過程。與 Gmapping 方案最大的區(qū)別在于不需要里程計數(shù)據(jù)，里程計信息通過激光雷達數(shù)據(jù)估算出來， 所以對傳感器的測量頻率要求較高。 在 ROS仿真環(huán)境中運行 Hector-SLAM 方案， 若機器人速度過快尤其是在強旋轉(zhuǎn)的時候， Hector-SLAM 方案會發(fā)生漂移現(xiàn)象。在真實環(huán)境中，由于周圍特征點能夠輔助機器人定位和建圖，構(gòu)建的柵格地圖會比仿真環(huán)境中效果好。Hector-SLAM 方案的缺點是對初值敏感，同時難以處理閉環(huán)問題。 Hector-SLAM 的整體建圖精度高于Gmapping，但對參數(shù)配置要求較高。Hector -SLAM 適用于對地圖要求較高的場合， Gmapping 易用性更好。

1.33D激光SLAM

在 3D 激光 SLAM 領(lǐng)域中， 由 Zhang J 等人提出的LOAM 方案，利用 3D 激光雷達采集數(shù)據(jù)， 進行基于特征點的掃描匹配， 利用非線性優(yōu)化方法進行運動估計， 激光里程計的輸出與地圖進行匹配， 包括直線匹配和平面匹配， 無回環(huán)檢測模塊，點面特征還不夠可靠。

為了進一步改進 LOAM 方案的， Zhang J 等人提出視覺結(jié)合 3D 激光雷達實時建圖的 V-LOAM 方案。利用視覺里程計以高頻率估計位姿變換，激光里程計以低頻率優(yōu)化運動估計，并校準(zhǔn)漂移。在公開的 KITTI 數(shù)據(jù)集上，V-LOAM 算法精度排名第一， 而且當(dāng)傳感器高速運動并受到明顯的光照變化時，該方法的魯棒性較好。

Zhang J 等人提出了一種用于自我運動估計和建圖的數(shù)據(jù)處理方案 LVIO。該方案連接 3D 激光掃描儀， 相機和 IMU，順序多層運行三個模塊以產(chǎn)生實時自我運動估計。粗到精數(shù)據(jù)處理產(chǎn)生高速率估計并在長距離中構(gòu)建低漂移的地圖。

1.4 發(fā)展趨勢

幾種激光SLAM算法對比：

面對復(fù)雜的周圍環(huán)境，多傳感器融合的SLAM是必然趨勢。視覺會提供高精度的里程計以及信息量豐富的地圖信息，激光雷達為視覺特征提供準(zhǔn)確的深度信息。SLAM算法的魯棒性與實時性有待進一步提高。在提高SLAM算法魯棒性方面，需要考慮里程計的標(biāo)定、激光雷達的外參與時間戳標(biāo)定、激光雷達運動畸變的去除等數(shù)據(jù)處理過程，同時針對退化環(huán)境、全局定位、動態(tài)環(huán)境定位等問題還有待完善。

參考：

1. Montemerlo M, Thrun S, Koller D, et al. FastSLAM: a factored solution to the simultaneous localization and mapping problem [C]//Proc of the AAAI National Conference on Artificial Intelligence.California: AAAI press, 2002: 593-598.

2.Grisetti G, Stachniss C, Burgard W. Improved techniques for gridmapping with Rao-Blackwellized Particle Filters [J]. IEEE Trans onRobotics, 2007, 23 (1): 34-46.

3. 《激光SLAM理論與實踐》深藍學(xué)院 曾書格

目標(biāo)檢測系列秘籍一：模型加速之輕量化網(wǎng)絡(luò)秘籍二：非極大值抑制及回歸損失優(yōu)化秘籍三：多尺度檢測秘籍四：數(shù)據(jù)增強秘籍五：解決樣本不均衡問題秘籍六：Anchor-Free視覺注意力機制系列Non-local模塊與Self-attention之間的關(guān)系與區(qū)別？視覺注意力機制用于分類網(wǎng)絡(luò)：SENet、CBAM、SKNetNon-local模塊與SENet、CBAM的融合：GCNet、DANetNon-local模塊如何改進？來看CCNet、ANN
語義分割系列一篇看完就懂的語義分割綜述最新實例分割綜述：從Mask RCNN 到 BlendMask超強視頻語義分割算法！基于語義流快速而準(zhǔn)確的場景解析CVPR2020 |HANet:通過高度驅(qū)動的注意力網(wǎng)絡(luò)改善城市場景語義分割

基礎(chǔ)積累系列卷積神經(jīng)網(wǎng)絡(luò)中的感受野怎么算？
圖片中的絕對位置信息，CNN能搞定嗎？理解計算機視覺中的損失函數(shù)深度學(xué)習(xí)相關(guān)的面試考點總結(jié)


自動駕駛學(xué)習(xí)筆記系列Apollo Udacity自動駕駛課程筆記——高精度地圖、厘米級定位Apollo Udacity自動駕駛課程筆記——感知、預(yù)測Apollo Udacity自動駕駛課程筆記——規(guī)劃、控制自動駕駛系統(tǒng)中Lidar和Camera怎么融合？

競賽與工程項目分享系列如何讓笨重的深度學(xué)習(xí)模型在移動設(shè)備上跑起來基于Pytorch的YOLO目標(biāo)檢測項目工程大合集目標(biāo)檢測應(yīng)用競賽：鋁型材表面瑕疵檢測基于Mask R-CNN的道路物體檢測與分割
SLAM系列視覺SLAM前端：視覺里程計和回環(huán)檢測視覺SLAM后端：后端優(yōu)化和建圖模塊視覺SLAM中特征點法開源算法：PTAM、ORB-SLAM視覺SLAM中直接法開源算法：LSD-SLAM、DSO視覺SLAM中特征點法和直接法的結(jié)合：SVO
2020年最新的iPad Pro上的激光雷達是什么？來聊聊激光SLAM

總結(jié)

以上是生活随笔為你收集整理的激光slam综述_开源算法是什么意思的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。