激光SLAM

基于后端分类：

• 图优化方法
• 滑动窗口
• 滤波器方法：多传感器融合

基于图优化的方法：

主要分为图的构建和求解

帧间匹配算法：

• ICP及其变形（PI-ICP、NICP）
• CSM
• NDT
• 基于优化
• 基于特征

回环检测：

• scan-to-scan：当前scan与后面scan匹配，歧义较大
• scan-to-map ：将地图划分为一个个子图，讲当前scan与子图进行匹配
• map-to-map：当前scan与后面若干帧形成子图与前面的子图匹配，计算量较大

后端优化：

• 高斯牛顿方法
• LM方法

2D激光SLAM输入：

• IMU数据
• 里程计数据
• 2D激光雷达数据

2D激光SLAM输出：

• 覆盖栅格地图
• 机器人的轨迹或者位姿图

2D激光SLAM的帧间匹配方法：

• PL-ICP：点到线的距离，更符合室内结构化场景，依赖初始解
• CSM：暴力搜索，能找到最优解
• 基于优化方法：依赖于地图的梯度，可以轻易引入额外约束
• state of art：CSM+梯度优化

2D激光SLAM的回环检测：

• scan-to-map
• map-to-map
• 分支界限和延迟决策，防止误回环

2D激光SLAM的发展：

滤波：没有回环的概念

• EKF-SLAM：环境增大后状态量急剧增大
• FastSLAM：粒子滤波，每一个粒子表示一个地图
• Gmapping：FastSLAM升级版本
• optimal RBPF：进一步优化

基于图优化：

• Karto-SLAM：首个基于图优化的2D激光SLAM
• Cartographer：原理相似

数据预处理：

• 轮式里程计的标定
• 激光雷达运动畸变去除
• 不同系统之间时间同步（不同CPU）

视觉提供的信息：

• 高精度的里程计信息
• 信息量丰富的视觉地图

实际环境中的问题：

• 动态物体：高动态（行走的人和移动前后的物体）
• 环境变化
• 几何结构相似环境
• 建图的操作复杂
• 全局定位：信息量小
• 地面材质的变化
• 地面凹凸不平
• 机器人载重改变（与前两条一起影响里程计）

红色为传感器融合可以解决的问题

三维激光帧间匹配方法：

• Point-to-plane ICP：点到面的距离，类似于2D的点线
• plane-to-plane ICP（GICP）：面到面的距离
• NDT：划分网格、拟合高斯分布，速度快，三维用的比较多
• NICP：在ICP的基础上，引入法向量信息，（角度）精度高
• IMLS-ICP：对点云进行局部曲面拟合
• Feature-based Method：提取特征点和描述符进行匹配

三维激光雷达与视觉融合

激光slam的问题

• 退化环境
• 地图的动态更新
• 全局地位
• 动态环境定位：动态物体检测与跟踪解决