深蓝学院激光SLAM学习（一）介绍、发展

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