1、SLAM简介
location:(L):在给定地图的情况下,估计机器人的位姿
Mapping(M):在给定机器人位姿的情况下,估计环境地图
SLAM: 同时估计机器人的位姿和环境地图
SLAM解决的问题:(1)机器人在环境中的位姿(2)导航过程中需要的环境地图
1.1 SLAM 分类
静态环境:尺度地图:滤波器、图优化
拓扑地图:大环境
混合地图
SLAM框架:前端:地图构建。后端:优化 误差 ~ 0
图优化:Graph-based SLAM Node:机器人的位姿
Edge:节点之间的空间约束关系
Graph:表示SLAM的过程
滤波器:Filter-based SLAM 状态预测(State Prediction)(里程计)
测量预测(Measurement Prediction)
进行测量(Measurement)
数据关联(Data Association)
状态更新 & 地图更新(State & Map Update)
2、2D-激光SLAM
室内:二维激光雷达 室外:三维激光雷达
传感器:惯性测量单元(IMU) -- 测角度 轮式里程计(Wheel Odometry) --测距离 激光雷达(Lidar)
地图类型 :覆盖栅格地图(Occupany Grid Map) 点云地图
帧间匹配算法
ICP(Iterative Closest Point)
NDT(Normal Distribution Transfomation)
PI-ICP(Point-to-Line Iterative Closest Point)
CSM(Correlation Scan Match)
回环检测
Scan-to-Scan
Map-to-Map :把几帧地图集合成一个子图,在与历史上匹配构成回环
Scan-to-Map :当前激光数据与历史上匹配构成回环
2D激光SLAM的输入
IMU数据
2D激光雷达数据
里程计数
输出: 覆盖栅格地图、机器人的轨迹 or PoseGraph
2D激光SLAM的帧间匹配方法
PI-ICP
梯度优化方法
CSM(Correlation Scan Match)
State of Art: CSM+梯度优化 cartgrapher
2D激光SLAM的回环检测方法
Scan-to-Map
Map-to-Map
Branch and Bound & Lazy Decision
2D激光SLAM的发展
Filter-based
EKF-SLAM----90年代
Gmapping----07
FastSLAM----02~03
Optimal RBPF----10
Graph-based
Globally Consistent Range Scan For Environment Mapping----97
Karto SLAM----10
Incremental Mapping of Large Cyclic Environments----99
Cartographer----16 目前最好
数据的预处理---非常重要!!!
- 轮式里程计的标定
- 不同系统之间的时间同步
- 激光雷达运动畸变去除
实际环境中的问题
- 动态物体
- 环境变化
- 几何结构相似环境
- 建图的操作复杂
- 全局定位
- 地面材质的变化
- 地面凹凸不平
- 机器人载重的改变
3、激光SLAM缺点及发展方向
- 视觉提供的信息
- 高精度的里程信息
- 信息量丰富的视觉地图
融合解决的问题
- 动态物体
- 环境变化
- 几何结构相似环境
- 建图的操作复杂
- 全局定位
- 地面材质的变化
- 地面凹凸不平
- 机器人载重的改变
来源:CSDN
作者:尼古拉斯王
链接:https://blog.csdn.net/qq_41906863/article/details/103698270