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(qǐng)點(diǎn)擊查看最新教程,關(guān)注關(guān)注公眾號(hào) “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(cè)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(diǎn)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(dá)的同時(shí)定位與地圖構(gòu)建技術(shù)（simultaneous localization and mapping， SLAM）以其準(zhǔn)確測(cè)量障礙點(diǎn)的角度與距離、 無須預(yù)先布置場(chǎng)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(shì)，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(dá)的主體于運(yùn)動(dòng)中估計(jì)自身的位姿，同時(shí)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(xì)節(jié)可以參考文章：2020年最新 iPad Pro上的激光雷達(dá)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(duì)比。

1. 激光SLAM開源方案對(duì)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(kuò)展卡爾曼濾波 SLAM 方案（EKF-SLAM），使用最大似然算法進(jìn)行數(shù)據(jù)關(guān)聯(lián)，該方案的缺點(diǎn)是計(jì)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(duì) 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(jī)器人定位問題和基于已知機(jī)器人位姿的構(gòu)圖問題， 是最早能夠?qū)崟r(shí)輸出柵格地圖的激光 SLAM 方案。

用粒子濾波來估計(jì)機(jī)器人位姿， 將每個(gè)粒子用運(yùn)動(dòng)學(xué)模型進(jìn)行傳播，對(duì)于傳播后的粒子用觀測(cè)模型進(jìn)行權(quán)重計(jì)算并根據(jù)估計(jì)的位姿構(gòu)建地圖。

該方案存在兩個(gè)問題， 第一， 由于每個(gè)粒子包含機(jī)器人的軌跡和對(duì)應(yīng)的環(huán)境地圖，對(duì)于大尺度環(huán)境，若里程計(jì)誤差較大即預(yù)測(cè)分布與真實(shí)分布差異較大， 則需要較多粒子來表示機(jī)器人位姿的后驗(yàn)概率分布，嚴(yán)重消耗內(nèi)存；第二，由于重采樣的隨機(jī)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(huì)嚴(yán)重影響地圖的構(gòu)建。

為了對(duì) FastSLAM 方案進(jìn)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(shí)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(yán)重問題， 將粒子的數(shù)量保持在一個(gè)比較小的數(shù)值， 對(duì)預(yù)測(cè)分布采樣，然后基于優(yōu)化掃描匹配來優(yōu)化位姿。對(duì)于緩解粒子耗散問題，采用減少重采樣次數(shù)，用一個(gè)度量表示預(yù)測(cè)分布與真實(shí)分布的差異性，當(dāng)差異性很小時(shí)，不進(jìn)行重采樣，當(dāng)差異性很大時(shí)，進(jìn)行重采樣。該方案不足是在里程計(jì)模型在傳播時(shí)， 對(duì)所有的粒子同等對(duì)待，優(yōu)的粒子在傳播時(shí)可能變成差的粒子， 粒子退化問題嚴(yán)重。因此 Gmapping 方案非常依賴于里程計(jì)信息，構(gòu)建的地圖也取決于里程計(jì)的精度。

針對(duì) 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(jì)模型傳播時(shí)，一個(gè)粒子每次傳播會(huì)得到 N 個(gè)粒子， 在 N 個(gè)粒子里面選擇最優(yōu)粒子， 作為此次的真實(shí)傳播， 相當(dāng)于每個(gè)粒子給了 N次機(jī)會(huì)，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(dá)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(rèn)識(shí)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(cè)，不足是同樣沒有認(rèn)識(shí)到系統(tǒng)的稀疏性，并非實(shí)時(shí) SLAM。

為了進(jìn)一步改善前面工作的不足， Konolige K 等人提出首個(gè)基于圖優(yōu)化框架的開源方案 Karto SLAM，該方案認(rèn)識(shí)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(fèi)時(shí)間較長；若采用全局匹配方法，則在搜索范圍大的時(shí)候速度會(huì)變慢。

谷歌的 Cartographer開源方案，是對(duì) 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(cè)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(shí)現(xiàn)的。在生成一個(gè)子地圖后，會(huì)進(jìn)行一次局部的閉環(huán)檢測(cè)；當(dāng)全部子地圖構(gòu)建完成后，利用分枝定界和預(yù)先計(jì)算的網(wǎng)格的算法，進(jìn)行全局閉環(huán)檢測(cè)，從而保證閉環(huán)檢測(cè)的速度。該方案的不足是沒有對(duì)閉環(huán)檢測(cè)結(jié)果進(jìn)行驗(yàn)證， 在幾何對(duì)稱的環(huán)境中，容易引起錯(cuò)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(dá)數(shù)據(jù)和地圖進(jìn)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(jì)數(shù)據(jù)，里程計(jì)信息通過激光雷達(dá)數(shù)據(jù)估算出來， 所以對(duì)傳感器的測(cè)量頻率要求較高。 在 ROS仿真環(huán)境中運(yùn)行 Hector-SLAM 方案， 若機(jī)器人速度過快尤其是在強(qiáng)旋轉(zhuǎn)的時(shí)候， Hector-SLAM 方案會(huì)發(fā)生漂移現(xiàn)象。在真實(shí)環(huán)境中，由于周圍特征點(diǎn)能夠輔助機(jī)器人定位和建圖，構(gòu)建的柵格地圖會(huì)比仿真環(huán)境中效果好。Hector-SLAM 方案的缺點(diǎn)是對(duì)初值敏感，同時(shí)難以處理閉環(huán)問題。 Hector-SLAM 的整體建圖精度高于Gmapping，但對(duì)參數(shù)配置要求較高。Hector -SLAM 適用于對(duì)地圖要求較高的場(chǎng)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(dá)采集數(shù)據(jù)， 進(jìn)行基于特征點(diǎn)的掃描匹配， 利用非線性優(yōu)化方法進(jìn)行運(yùn)動(dòng)估計(jì)， 激光里程計(jì)的輸出與地圖進(jìn)行匹配， 包括直線匹配和平面匹配， 無回環(huán)檢測(cè)模塊，點(diǎn)面特征還不夠可靠。

為了進(jìn)一步改進(jìn) LOAM 方案的， Zhang J 等人提出視覺結(jié)合 3D 激光雷達(dá)實(shí)時(shí)建圖的 V-LOAM 方案。利用視覺里程計(jì)以高頻率估計(jì)位姿變換，激光里程計(jì)以低頻率優(yōu)化運(yùn)動(dòng)估計(jì)，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(yùn)動(dòng)并受到明顯的光照變化時(shí)，該方法的魯棒性較好。

Zhang J 等人提出了一種用于自我運(yùn)動(dòng)估計(jì)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(jī)和 IMU，順序多層運(yùn)行三個(gè)模塊以產(chǎn)生實(shí)時(shí)自我運(yùn)動(dòng)估計(jì)。粗到精數(shù)據(jù)處理產(chǎn)生高速率估計(jì)并在長距離中構(gòu)建低漂移的地圖。

1.4 發(fā)展趨勢(shì)

幾種激光SLAM算法對(duì)比：

面對(duì)復(fù)雜的周圍環(huán)境，多傳感器融合的SLAM是必然趨勢(shì)。視覺會(huì)提供高精度的里程計(jì)以及信息量豐富的地圖信息，激光雷達(dá)為視覺特征提供準(zhǔn)確的深度信息。SLAM算法的魯棒性與實(shí)時(shí)性有待進(jìn)一步提高。在提高SLAM算法魯棒性方面，需要考慮里程計(jì)的標(biāo)定、激光雷達(dá)的外參與時(shí)間戳標(biāo)定、激光雷達(dá)運(yùn)動(dòng)畸變的去除等數(shù)據(jù)處理過程，同時(shí)針對(duì)退化環(huán)境、全局定位、動(dòng)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(shí)踐》深藍(lán)學(xué)院 曾書格

目標(biāo)檢測(cè)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(cè)秘籍四：數(shù)據(jù)增強(qiáng)秘籍五：解決樣本不均衡問題秘籍六：Anchor-Free視覺注意力機(jī)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(jī)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(jìn)？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(shí)例分割綜述：從Mask RCNN 到 BlendMask超強(qiáng)視頻語義分割算法！基于語義流快速而準(zhǔn)確的場(chǎng)景解析CVPR2020 |HANet:通過高度驅(qū)動(dòng)的注意力網(wǎng)絡(luò)改善城市場(chǎng)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(duì)位置信息，CNN能搞定嗎？理解計(jì)算機(jī)視覺中的損失函數(shù)深度學(xué)習(xí)相關(guān)的面試考點(diǎn)總結(jié)


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

競(jìng)賽與工程項(xiàng)目分享系列如何讓笨重的深度學(xué)習(xí)模型在移動(dòng)設(shè)備上跑起來基于Pytorch的YOLO目標(biāo)檢測(cè)項(xiàng)目工程大合集目標(biāo)檢測(cè)應(yīng)用競(jìng)賽：鋁型材表面瑕疵檢測(cè)基于Mask R-CNN的道路物體檢測(cè)與分割
SLAM系列視覺SLAM前端：視覺里程計(jì)和回環(huán)檢測(cè)視覺SLAM后端：后端優(yōu)化和建圖模塊視覺SLAM中特征點(diǎn)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(diǎn)法和直接法的結(jié)合：SVO
2020年最新的iPad Pro上的激光雷達(dá)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?jī)?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(cuò)，歡迎將生活随笔推薦給好友。