激光SLAM介绍
输入
- IMU : 角度信息
- 里程计 : 距离信息
- 2D激光雷达
输出
- 栅格地图
- 机器人轨迹
帧间匹配方法
- PI-ICP :较常用的匹配算法,ICP基本不算使用
- CSM : cartographer使用
- 梯度优化方法: hector-slam使用的就是这个
使用效果比较好的是CSM(粗匹配)+梯度优化(细匹配),cartographer使用的就是组合
回环检测方法
- scan-to-map : cartographer
- map-to-map
- branch and bound(分支定界法) & lazy decision
激光SLAM发展
一 基于滤波
- EKF-SLAM — 90年代: 构建的是特征地图,能用来定位,但是无法进行导航,导航要用的栅格地图grand-based,所以基本已不在使用
- FastSLAM—02-03 : 能输出一个比较大栅格地图了
- Gmapping—07 : 目前使用最多的算法,比较经典 相当于grand版fastslam,加入了scan-match来优化proposal分布 非常依赖里程计
- Optimal RBPF—10 :解决优化粒子传播过程中噪声的影响
二 基于图优化
- Karto SLAM — 10
- Cartographer—16 : 目前效果最好的
图优化是接下来的趋势,基于滤波的会被逐渐淘汰
应用
数据预处理(划重点)
- 轮式里程计标定:offline出厂标定 online在线标定实时更新轮子直径
- 激光雷达运动畸变去除:理解运动畸变
- 不同系统之间的时间同步 : 时间戳误差
实际环境中的问题
1 动态物体 2 全局定位 3 环境变化 4 地面材质变化
5 几何结构相似环境 6 地面凹凸不平 7 建图的操作复杂 8 机器人载重的改变
趋势-与视觉融合
VIO
图像
版权声明:本文为a063225原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明。