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