激光slam理论与实践
本篇是記錄曾書格老師的課程《激光slam理論與實踐》
先貼一下個人總結（有理解的不正確的，麻煩指出來）：
第一章：激光SLAM簡要介紹
1、輸出Metrical map尺度地圖，slam分為兩種：基于濾波的 filter-based 的SLAM，和Graph-based的SLAM。
2、
（1）基于Graph-based的代表是cartographer，可以修復 t 時刻之前的誤差分為兩部分Front-end ，和Back-end。
（2）基于PF的代表gmapping，只能估計X(t)當前時刻的位姿，不能修復之前時刻產生的誤差。在大面積的情況下，就無法建圖了。粒子濾波實際上是一個貝葉斯估計的過程，其流程是一個狀態預測的過程，分為6步：
卡爾曼是貝葉斯在線性高斯的特殊情況。
（3）
??
? ? 實際中，IMU算角度，里程計算距離
（4）幀間匹配算法：
ICP 是計算點對點的，沒人用了。而PI-ICP是計算點對線的。
NDT用于三維的slam。
CSM：是最主要的方法。
? ? ?? scan-scan已經沒人用了；
? ? ?? scan-to-Map代表是cartographer。
? ? ?? Map-to-Map還沒有用，但是效果最好。與X(t)時刻之前的幾幀進行回環檢測。
3、2D激光SLAM（用的2D的激光雷達）
（1）2D激光slam的幀間匹配
? ?? （A）PI-ICP
? ? （B）CSM(Correlation Scan Match)
? ? （C）梯度優化的方法：Hector—SLAM
? ? （D）CSM+梯度優化：cartographer
（2）2D 激光SLAM的回環檢測方法
? ? （A）分支定界Branch and Bound&lazy Decison（延遲決策） ，代表：cartographer
? ? （B）Scan-to-Map
（3）
? ??
（A）EKF-SLAM構建的是feature 地圖，而不是grid柵格地圖，所以無法用于導航，只能用于定位。
（B）gmapping是Grid版本的FastSLAM，加入了scan-match。
（C）在Optimal RBPF在gmapping上做了優化，是MRPT上的一個開源算法。
2010年之后就由FP 轉化為 圖優化的方法了。
Karto SLAM 運行時經常崩潰。所以在此基礎上Catographer作了優化。Catographer是所以開源算法中效果最好的。
（4）、數據的預處理
? ? ?
4、3D激光雷達
（1）3D激光雷達的幀間匹配
? ? ? （A）Point-to-Plance ICP 點到面的匹配
? ? ? （B）Feature-based Method
第二章：傳感器數據處理I：里程計運動模型及標定
1、里程計運動模型
（1）兩輪差分底盤的運動學模型
? ? ? ? ? ? ??
（2）航跡推算（Dead Reckoning）
? ? ? ? ? ? ? ? ?
?
2、里程計標定
（1）線性最小二乘的基本原理
? ? ? ? ? ? ? ? ?
通常就是 求解一個近似解。
（2）最小二乘的直線擬合
（3）最小二乘在里程計標定中的應用：
? ? ?? a，直接線性方法，精度不高，但實現簡單；用這個方法
? ? ?? b，基于模型的方法，精度高，但是現實起來相當復雜，是一個非線性的過程。不用。
? ? 作業：實現一個直接線性方法的里程計標定模塊
小結：由于機器人結構的系統性誤差（比如輪子直徑的大小不一樣，機械結構縫隙等），所以需要坐里程計標定，達到去除系統誤差的目的，而隨機誤差無法去除。
?
第三章：傳感器數據處理II：激光雷達數學模型和運動畸變去除
1、概念
（1）激光lidar介紹：基于三角測距原理，距離越近，精度相對越高。而飛行時間（TOF）遠距離時精度才可以，價格昂貴。高端的lidar有德國的sick，日本的北陽。
固態lidar：是一個發展趨勢，價格低，類似于深度相機了，100線——300線。
? ? ? ? ? ? 如果lidar的幀率小于10HZ的話，那么運動畸變是非常明顯的。
（2）激光lidar數學模型介紹：
? ? ? ?? 光束模型：一幀激光與地圖的重合程度，計算量太大，現在已經不用了。
? ? ? ? 似然場模型：對圖像進行高斯平滑，計算量低。應用的多。
（3）運動畸變介紹：
? ? ? ? 產生的原因：在獲取一幀激光lidar的數據用時 t 時，機器人的位置發生了運動，導致每個激光點的基準位置不是固定的。
2、畸變去除方法
（1）純估計方法：ICP 的方法，就是點云匹配。
? ? ? ? ? 考慮到機器人的運動，采用VICP的方法。（Velocity estimate ICP）
（2）傳感器輔助方法：（IMU/odom）
? ? ? ? ? ?? odom,直接測量位移和角度。更新頻率（100Hz——200Hz），而IMU測量的是加速度，還需要積分。
? ? ? ? 二次曲線的近似：一幀激光數據N個激光點，每個激光點對應的位姿{P1，P2 ... Pn}通過這種方法得到，把轉換后的激光數據發布出去。
? ? ?? 作業：實現一個激光雷達運動畸變去除模塊
小結：由于機器人存在運動畸變，所以要發布publish經過去除畸變的激光lidar數據。
?
第四章：激光SLAM的前端配準方法
幀間匹配方法：
（1）ICP 匹配方法：點到點的距離作為誤差，一階收斂。
（2）PL-ICP方法：點到線的距離作為誤差，二階收斂，精度比ICP更高。
（3）基于優化的匹配方法(Optimization-based Method）：應用于Hector SLAM 和cartographer
梯度的優化：Hector SLAM，不需要里程計，純靠優化的方法。
cartographer 是CSM+優化。
（4）相關匹配方法和分枝定界加速：Karto SLAM，cartographer，分枝定界在相關方法中的加速作用。
第五章：基于濾波器的激光SLAM方法(Filter-based)
1、（1）只估計當前時刻的狀態X(t)叫濾波。視覺地圖——feature特征地圖；激光——》柵格地圖
? ? ? ? ??
2、
? ? （1）Bayes濾波：是一類方法的統稱，卡爾曼家族和PF都屬于貝葉斯濾波。
? ? （2）粒子濾波：PF是Bayes濾波的特例。應用于物體跟蹤，機器人定位，SLAM導航。用一系列的粒子近似概率分布。
? ? ? ? ? ?? 有一個重采樣的過程，即去除權重小的粒子。權重表示和地圖的匹配程度。
? ? ? ? ? ?? 重采樣的目的：生成后驗分布的粒子群。總粒子數不變。
? ? ? ?? 對于SLAM，存在粒子耗散問題，且無法解決，所以在環境小的時候才有用。
? ? （3）FastSLAM：是gmapping的基本原理，也是基于PF的。存在三個問題和優化a,b,c：
? ? ? ? ? ? ?? a.每個粒子都包含自己的柵格地圖，占用較大的內存；保持粒子數量較小，提升proposal采樣的位姿質量；
? ? ? ? ? ? ?? b.粒子耗散問題；緩解粒子耗散；減少重采樣的次數；
? ? ? ? ? ? ?? c.在a的基礎上再優化，把proposal限制在一個較小的區域
? ? （4）Gmapping：以FastSLAM為基礎。在fastSLAM的基礎上實現了優化a和b，沒有使用優化c。
? ? ? ? ? ? 主要是兩個函數: addScan( )? 和? processScan( )
?
第六章：基于圖優化的激光SLAM方法(Grid-based)
1、Grid-based 是基于非線性最小二乘原理的求解。Grid-based包含前段Front-end和后端Back-end。
2、非線性最小二乘：f(x) = z ，f(x)是一個非線性的函數 ，z可以是一個預測值，然后通過傳感器可以得到一個測量值z'，根據二者就可以去非線性最小二乘。
3、有回環檢測。
4、高斯牛頓方法
5、cartographer方法中mapping_2d目錄：
第七章：基于已知定位的建圖
位姿估計包含 幀間匹配和優化的方法，兩者構成圖優化，通過對機器人的位姿（x ，y ， θ）來構建地圖。
1、地圖分類：（柵格地圖、特征地圖和點云地圖，都屬于）尺度地圖、拓撲地圖、語義地圖
2、覆蓋柵格建圖算法（gmapping里面用的這個）：
? ? ?? 柵格地圖的數學模型：給定機器人的位姿（由里程計信息得到）和激光lidar的數據，來估計出柵格地圖。
? ? ?? 地圖估計：柵格是一個二元隨機變量。1 標準占用，0表示沒被占用。
? ? ?? 激光穿過的柵格為free，激光擊中的柵格為occupied
3、計數（count model）建圖算法：
? ?? 激光擊中的次數 / 激光穿過的次數 到達一個比值，就表示障礙物，occupied。
?
第八章: 3D激光SLAM介紹
1、3D激光SLAM
2D激光SLAM和3D激光SLAM的區別：
（1）2D ：單線激光lidar，只能在一個截面，形成2D柵格地圖，室內機器人
（2）3D：多線激光lidar，形成三維點云地圖或者三維柵格地圖，室外移動機器人
2、3D幀間匹配：
? ? ? ? （1）點面ICP?
? ? ? ? ? (2)? Feature-based method
? ? ? ? ? (3) NDT 方法 normal-distribution-Transform
2、LOAM (lidar odometry and mapping)
（1）是3D 激光SLAM算法，只有匹配，沒有回環。
（2） KITTI數據集Odometry排行榜上長期霸占第一
總結
以上是生活随笔為你收集整理的激光slam理论与实践的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： openstack进阶：虚拟桌面usb重
- 下一篇： MATLAB谐波均值滤波