毛 軍，付 浩，褚超群，何曉峰，陳昶昊

(國(guó)防科技大學(xué)智能科學(xué)學(xué)院，長(zhǎng)沙 410073)

摘 要：同時(shí)定位與建圖(SLAM)技術(shù)已廣泛應(yīng)用于各類自主移動(dòng)平臺(tái)中，其中視覺SLAM和激光雷達(dá)SLAM是兩種主要的SLAM技術(shù)方案。然而，視覺SLAM系統(tǒng)易受視覺環(huán)境變化的影響，而激光雷達(dá)SLAM系統(tǒng)則在結(jié)構(gòu)單一等環(huán)境中會(huì)出現(xiàn)精度退化甚至失效的情況。隨著智能移動(dòng)平臺(tái)應(yīng)用場(chǎng)景的不斷拓展，對(duì)SLAM系統(tǒng)的精度和魯棒性等提出了更高要求，將多種具有互補(bǔ)性的傳感器進(jìn)行融合是提升SLAM系統(tǒng)性能的有效途徑。據(jù)此，聚焦慣性/視覺/激光雷達(dá)多傳感器融合SLAM技術(shù)，從多傳感器標(biāo)定和多源數(shù)據(jù)融合兩個(gè)主要方面進(jìn)行綜述，最后對(duì)多傳感器融合SLAM技術(shù)的發(fā)展趨勢(shì)進(jìn)行了展望。

作者簡(jiǎn)介：毛軍(1989-)，男，博士，講師，主要從事視覺導(dǎo)航、組合導(dǎo)航、仿生導(dǎo)航方面的研究。

通信作者：付浩(1986-)，男，博士，副研究員，主要從事地面無(wú)人平臺(tái)環(huán)境感知方面的研究。

0 引言

同時(shí)定位與建圖(Simultaneous Localization and Mapping，SLAM)技術(shù)是指移動(dòng)機(jī)器人利用自身搭載的傳感器構(gòu)建環(huán)境地圖，同時(shí)利用環(huán)境信息進(jìn)行自主定位。SLAM因具有較好的自主性和精度而廣泛應(yīng)用于各類移動(dòng)平臺(tái)中。

SLAM最早于20世紀(jì)80年代被提出，早期的SLAM系統(tǒng)主要是基于單線激光雷達(dá)傳感器構(gòu)建的，且僅適用于在二維平面中運(yùn)動(dòng)的載體。隨著激光雷達(dá)技術(shù)的發(fā)展，基于激光雷達(dá)的3D SLAM系統(tǒng)得到迅速發(fā)展。目前，性能較好的激光雷達(dá)可以實(shí)現(xiàn)百米外厘米級(jí)的測(cè)距精度，支撐了一系列高精度SLAM應(yīng)用場(chǎng)景。然而，激光雷達(dá)SLAM仍面臨眾多難題，例如在自運(yùn)動(dòng)較快時(shí)雷達(dá)數(shù)據(jù)會(huì)發(fā)生畸變，導(dǎo)致SLAM精度下降；此外，在隧道、高速路等結(jié)構(gòu)特征不明顯的區(qū)域，雷達(dá)幀間數(shù)據(jù)難以配準(zhǔn)，會(huì)造成SLAM系統(tǒng)退化甚至失效。

相較于激光雷達(dá)SLAM系統(tǒng)，視覺SLAM系統(tǒng)具有不主動(dòng)發(fā)出信號(hào)的優(yōu)點(diǎn)。此外，視覺是對(duì)環(huán)境的稠密感知，可以利用視覺特征構(gòu)建出更符合人類感知的環(huán)境地圖。然而，視覺傳感器本質(zhì)上是一種角度測(cè)量傳感器，不能直接測(cè)量距離信息，因此需要從多視圖中重構(gòu)出特征的距離。而且，復(fù)雜變化和特征匱乏的視覺環(huán)境也會(huì)對(duì)視覺SLAM系統(tǒng)造成影響甚至使得系統(tǒng)失效。

激光雷達(dá)、相機(jī)和慣性測(cè)量單元(Inertial Meas-urement Unit, IMU)三者之間具有較好的互補(bǔ)性。IMU測(cè)量不受環(huán)境特征的影響，慣性導(dǎo)航系統(tǒng)僅基于載體運(yùn)動(dòng)產(chǎn)生的慣性信息就可以對(duì)速度、位置和姿態(tài)進(jìn)行全參數(shù)估計(jì)。慣性導(dǎo)航估計(jì)的運(yùn)動(dòng)參數(shù)可用于校正雷達(dá)數(shù)據(jù)的畸變、補(bǔ)償單目視覺缺失的尺度信息等；而激光雷達(dá)SLAM和視覺SLAM測(cè)量的載體運(yùn)動(dòng)則可以校正慣性導(dǎo)航系統(tǒng)的累積誤差。近年來(lái)，慣性/視覺SLAM、慣性/激光雷達(dá)SLAM、視覺/激光雷達(dá)SLAM等基于多傳感器融合的SLAM系統(tǒng)發(fā)展迅速，并且展現(xiàn)出比基于單一傳感器更高的精度和更強(qiáng)的環(huán)境適應(yīng)性。

經(jīng)過30多年的發(fā)展，SLAM框架已日趨成熟。T.Bailey等[1]對(duì)SLAM算法框架進(jìn)行了介紹；J.Fu-entes-Pacheco等[2]則對(duì)視覺SLAM技術(shù)的主要方法進(jìn)行了綜述。2015年，C.Cadena等[3]在Robotics: Science and System (RSS)會(huì)議上對(duì)SLAM技術(shù)的發(fā)展進(jìn)行了綜述，并對(duì)其未來(lái)發(fā)展趨勢(shì)進(jìn)行了展望，認(rèn)為魯棒的感知端是未來(lái)SLAM技術(shù)發(fā)展的重要方向。將IMU、相機(jī)和激光雷達(dá)進(jìn)行組合是提升SLAM系統(tǒng)精度和魯棒性的重要方式，相較于視覺SLAM和激光雷達(dá)SLAM算法，多傳感器SLAM技術(shù)涉及信息融合技術(shù)，因此有必要進(jìn)行詳細(xì)的分析。本文首先從SLAM的基本原理出發(fā)，分析其對(duì)多傳感器融合的需求；然后從多傳感器時(shí)空配準(zhǔn)和多傳感器信息融合兩方面對(duì)慣性/激光/視覺組合SLAM技術(shù)進(jìn)行介紹，并對(duì)基于多傳感器融合的SLAM技術(shù)進(jìn)行展望。

1 SLAM簡(jiǎn)述

移動(dòng)機(jī)器人在未知環(huán)境中運(yùn)動(dòng)時(shí)，可以通過SLAM系統(tǒng)構(gòu)建環(huán)境地圖，同時(shí)利用構(gòu)建的地圖進(jìn)行自主定位，如圖1所示。本節(jié)首先介紹了SLAM的數(shù)學(xué)模型，然后簡(jiǎn)要分析SLAM系統(tǒng)對(duì)多傳感器融合的需求。

圖1 SLAM原理示意圖[4]
Fig.1 Schematic diagram of SLAM

1.1 SLAM模型簡(jiǎn)介

設(shè)SLAM問題中待估計(jì)的機(jī)器人運(yùn)動(dòng)參數(shù)為X0:k={x0,x1,…,xk}，其中xk表示k時(shí)刻載體的位姿參數(shù)；設(shè)SLAM構(gòu)建的地圖可表示為一組地標(biāo)的集合M={m1,m2,…,mn}，其中mn表示第n個(gè)地標(biāo)在地圖中的位置。機(jī)器人在移動(dòng)過程中可以通過傳感器對(duì)地標(biāo)進(jìn)行觀測(cè)，這些觀測(cè)的集合表示為Z0:k={z0,z1,…,zk}；而驅(qū)使機(jī)器人從xk-1到xk轉(zhuǎn)移的控制量為uk，在移動(dòng)過程中所有控制量的集合表示為U0:k={u0,u1,…,uk}。

SLAM就是根據(jù)觀測(cè)Z0:k和控制輸入U(xiǎn)0:k，估計(jì)運(yùn)動(dòng)軌跡X0:k和地標(biāo)位置M的過程。在SLAM算法框架中，對(duì)觀測(cè)Z0:k的提取部分通常被稱為SLAM的前端(front-end)；而利用Z0:k和U0:k對(duì)運(yùn)動(dòng)軌跡和地標(biāo)位置進(jìn)行估計(jì)的部分被稱為SLAM的后端(back-end)，如圖2所示。

前端算法一方面要從每一幀的傳感器數(shù)據(jù)中提取出地標(biāo)觀測(cè)信息，另一方面利用數(shù)據(jù)關(guān)聯(lián)方法判斷新一幀數(shù)據(jù)中的觀測(cè)地標(biāo)是首次觀測(cè)到的新地標(biāo)還是某一已經(jīng)被觀測(cè)到的舊地標(biāo)。由于不同的SLAM系統(tǒng)使用的傳感器不同，因而觀測(cè)信息的提取方式也有較大差異。例如，在激光雷達(dá)SLAM中，通常直接采用三維點(diǎn)云描述環(huán)境；在視覺SLAM中，則可以采用像素的光度或視覺特征描述地標(biāo)。建立幀間觀測(cè)的關(guān)聯(lián)也是前端算法的重要組成部分，數(shù)據(jù)關(guān)聯(lián)算法與地標(biāo)描述方法緊密聯(lián)系。在激光雷達(dá)SLAM系統(tǒng)中，廣泛使用迭代最近點(diǎn)(Iterative Closest Point, ICP)[5]、正態(tài)分布變換(Normal Distributions Trans-form, NDT)[6]等方法進(jìn)行幀間點(diǎn)云配準(zhǔn)[7]。在視覺SLAM系統(tǒng)中,則主要采用光流跟蹤[8]、特征匹配[9]等方式建立幀間觀測(cè)關(guān)聯(lián)。

圖2 SLAM算法架構(gòu)圖[3]
Fig.2 Scheme of the SLAM algorithm

經(jīng)過30多年的發(fā)展，SLAM后端算法模型已日趨成熟，大致分為基于最大后驗(yàn)概率(Maximum A Posteriori, MAP)優(yōu)化、拓展卡爾曼濾波(Extended Kalman Filter, EKF)和粒子濾波等三類后端處理算法[4]。由于粒子濾波算法也可以被認(rèn)為是一種MAP問題的求解方式，因此本文主要介紹MAP和EKF兩種后端處理算法。MAP和EKF算法可以概括為兩個(gè)主要步驟：第一步是根據(jù)uk和xk-1對(duì)xk進(jìn)行預(yù)測(cè)；第二步是根據(jù)觀測(cè)zk對(duì)X0:k和M進(jìn)行估計(jì)。MAP模型可以用式(1)表示

(1)

在多數(shù)SLAM系統(tǒng)中，采用高斯誤差模型和一階馬爾可夫模型近似后，式(1)的求解可以轉(zhuǎn)化為一個(gè)非線性最小二乘求解問題，即

(2)

其中，mi表示第i個(gè)地標(biāo)；zik表示k時(shí)刻對(duì)mi地標(biāo)的觀測(cè)；f(·)和h(·)分別表示運(yùn)動(dòng)模型和觀測(cè)模型，Λ和Σ則表示相應(yīng)模型的信息矩陣。在EKF方法中，f(·)和h(·)分別表示狀態(tài)轉(zhuǎn)移函數(shù)和觀測(cè)函數(shù)。當(dāng)載體運(yùn)動(dòng)時(shí)間長(zhǎng)、觀測(cè)特征多時(shí)，SLAM中待估計(jì)的參數(shù)量也會(huì)增大。但通常情況下，某一個(gè)地標(biāo)點(diǎn)僅在少數(shù)幾個(gè)位置能被機(jī)器人觀測(cè)到，這在數(shù)學(xué)上就表現(xiàn)為f(·)和h(·)具有明顯的稀疏性，利用這種稀疏性可顯著提升SLAM的后端算法效率。目前，常用的MAP優(yōu)化工具箱有g(shù)2o[10]、GTSAM[11]和ceres[12]等，而EKF后端算法中常用的有多狀態(tài)約束卡爾曼濾波(Multi-State Constraint Kalman Filter，MSCKF)[13]方法。

1.2 多傳感器融合SLAM系統(tǒng)需求

由于傳感器的限制，激光雷達(dá)和視覺SLAM在載體動(dòng)態(tài)性較強(qiáng)、環(huán)境復(fù)雜條件下都面臨諸多問題。將多種具有互補(bǔ)性的傳感器進(jìn)行融合是構(gòu)建高精度、高魯棒SLAM系統(tǒng)的重要途徑。

慣性導(dǎo)航信息可用于提升視覺和激光雷達(dá)SLAM的前端和后端算法性能[14-15]。如圖3所示，由于激光雷達(dá)在掃描過程中載體是運(yùn)動(dòng)的，當(dāng)動(dòng)態(tài)性較強(qiáng)時(shí)，常用的勻速補(bǔ)償模型難以校正幀內(nèi)點(diǎn)云的畸變；而慣性導(dǎo)航系統(tǒng)能以較高的頻率測(cè)量激光雷達(dá)一個(gè)掃描周期內(nèi)的運(yùn)動(dòng)信息，這些運(yùn)動(dòng)信息可有效地校準(zhǔn)雷達(dá)點(diǎn)云數(shù)據(jù)。慣性導(dǎo)航的輸出結(jié)果對(duì)于幀間數(shù)據(jù)匹配也具有重要輔助作用，其可以作為幀間匹配算法的初值，而相對(duì)準(zhǔn)確的初值可以有效提升配準(zhǔn)算法的精度和收斂速度。慣性導(dǎo)航輸出信息還可用于補(bǔ)償運(yùn)動(dòng)造成的圖像模糊，從而提升視覺SLAM的前端魯棒性。

在SLAM后端算法中，融合IMU信息對(duì)提升SLAM精度和魯棒性也具有重要意義?；诩す饫走_(dá)和視覺的SLAM系統(tǒng)通常采用勻速模型來(lái)近似運(yùn)動(dòng)模型f(·)，而在動(dòng)態(tài)性較強(qiáng)時(shí)，該近似方法會(huì)導(dǎo)致模型精度下降。慣性傳感器能以較高的頻率輸出載體的運(yùn)動(dòng)信息，利用慣性導(dǎo)航輸出可構(gòu)建更為準(zhǔn)確的SLAM模型。在單目視覺SLAM系統(tǒng)中，慣性信息還可用于補(bǔ)償缺失的尺度因子。另一方面，視覺和激光雷達(dá)對(duì)地標(biāo)的觀測(cè)信息則可用于校正慣性導(dǎo)航的累積誤差，從而實(shí)現(xiàn)組合增強(qiáng)。

圖3 利用慣導(dǎo)校正激光雷達(dá)幀內(nèi)畸變的示意圖
(當(dāng)車體靜止時(shí)，雷達(dá)在地面上掃描的數(shù)據(jù)為一個(gè)圓形
(如左圖所示)；當(dāng)車體向前運(yùn)動(dòng)時(shí)，這個(gè)圓形會(huì)產(chǎn)生一定的
畸變(如右圖所示)；在雷達(dá)采樣周期內(nèi)(通常為100ms)，
可以接收到多個(gè)慣導(dǎo)數(shù)據(jù)，利用這些慣導(dǎo)數(shù)據(jù)可以對(duì)雷達(dá)
數(shù)據(jù)進(jìn)行幀內(nèi)校正)
Fig.3 Illustration of undistorting a Lidar scan
with the aid of an inertial navigation system
(Illustration of the lidar scans captured in a sampling
duration. Left: when the agent is static and the scans form a
circle. Right: when the agent is not static, the sampled data
contains distortions. By using the motion parameters estimated
by the inertial system, the lidar data distortion can be fixed)

相機(jī)與激光雷達(dá)之間具有顯著的互補(bǔ)性。激光雷達(dá)僅能測(cè)量地標(biāo)的距離信息，當(dāng)?shù)貥?biāo)特征受運(yùn)動(dòng)物體遮擋時(shí)，僅利用點(diǎn)云的幾何信息難以與地圖進(jìn)行配準(zhǔn)。將相機(jī)與激光雷達(dá)配準(zhǔn)后，可以將相機(jī)感知的視覺特征信息賦予雷達(dá)點(diǎn)云，然后利用特征的相似性輔助點(diǎn)云配準(zhǔn)。相機(jī)本質(zhì)上是一種角度測(cè)量傳感器，在成像過程中地標(biāo)特征的距離信息丟失，因此在視覺SLAM系統(tǒng)中需要根據(jù)多幀或多目的觀測(cè)重構(gòu)地標(biāo)的三維位置信息，這給SLAM算法帶來(lái)了負(fù)擔(dān)。在光照、視角等發(fā)生強(qiáng)烈變化時(shí)，視覺SLAM前端也面臨失效風(fēng)險(xiǎn)。將激光雷達(dá)測(cè)量的距離信息賦予視覺特征可實(shí)現(xiàn)三維視覺功能，同時(shí)在視覺環(huán)境發(fā)生變化時(shí)，激光雷達(dá)測(cè)量的三維結(jié)構(gòu)仍能保證SLAM前端的正常運(yùn)行。

綜上所述，IMU、相機(jī)和激光雷達(dá)之間具有較強(qiáng)的互補(bǔ)性，將慣性/視覺/激光雷達(dá)進(jìn)行融合是提升SLAM系統(tǒng)精度和魯棒性的重要途徑。然而，將這三種不同的傳感器進(jìn)行融合首先需要對(duì)傳感器進(jìn)行標(biāo)定，然后還需要對(duì)SLAM算法進(jìn)行設(shè)計(jì)，以有效融合三種異源信息。

2 慣性/視覺/激光雷達(dá)標(biāo)定方法

對(duì)異源傳感器的精確標(biāo)定是有效使用傳感器測(cè)量信息的前提條件。通常，對(duì)單個(gè)傳感器的標(biāo)定稱為內(nèi)參標(biāo)定，而對(duì)不同傳感器之間的相互關(guān)系的標(biāo)定則稱為外參標(biāo)定。外參標(biāo)定一般包括時(shí)間同步和空間標(biāo)定兩個(gè)部分。本文主要關(guān)注IMU、相機(jī)和激光雷達(dá)之間的外參標(biāo)定方法，對(duì)于傳感器內(nèi)參標(biāo)定，讀者可查閱相關(guān)文獻(xiàn)。

2.1 時(shí)間同步

時(shí)間同步的含義是使不同傳感器數(shù)據(jù)具有統(tǒng)一的時(shí)間基準(zhǔn)，以方便后續(xù)的數(shù)據(jù)融合。為了實(shí)現(xiàn)相機(jī)圖像數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)具有較小的采集時(shí)間間隔，文獻(xiàn)[16]在旋轉(zhuǎn)的激光雷達(dá)下方安裝了一個(gè)簧片探針，當(dāng)激光雷達(dá)旋轉(zhuǎn)至車體正前方時(shí)，簧片探針產(chǎn)生一個(gè)外觸發(fā)信號(hào)，控制前視相機(jī)開始產(chǎn)生一幀圖像。

影響相機(jī)成像時(shí)間的因素還包括相機(jī)曝光時(shí)間和快門方式。目前，大多數(shù)相機(jī)都采用自動(dòng)曝光時(shí)間方法，其優(yōu)點(diǎn)是能夠產(chǎn)生當(dāng)前場(chǎng)景下盡可能清晰的圖像，但缺點(diǎn)是曝光時(shí)間變得不可控。相機(jī)的快門方式分為全局快門(global shutter)和卷簾式快門(rolling shutter)。全局快門是指圖像的所有行同時(shí)進(jìn)行曝光，而卷簾式快門則是逐行進(jìn)行曝光，圖像頂部和底部的曝光時(shí)間差異可能高達(dá)幾十毫秒，若是不考慮這種時(shí)間上的差異，則會(huì)降低圖像幀間匹配的性能，從而影響融合定位結(jié)果。為了克服卷簾快門效應(yīng)，文獻(xiàn)[17]提出了采用B樣條插值方法擬合出任意時(shí)刻的相機(jī)位姿，從而實(shí)現(xiàn)對(duì)場(chǎng)景更精確的建模和位姿估計(jì)。

待融合的多源傳感器信息可能會(huì)由連在同一局域網(wǎng)上的多臺(tái)計(jì)算機(jī)并行處理，為了保證不同信息源的時(shí)間一致，需要將不同計(jì)算機(jī)的系統(tǒng)時(shí)間設(shè)為一致。此時(shí)，既可以采用網(wǎng)絡(luò)時(shí)間協(xié)議(Network Time Protocol，NTP)進(jìn)行軟件上的時(shí)間同步，也可以安裝衛(wèi)星導(dǎo)航授時(shí)設(shè)備等對(duì)多系統(tǒng)時(shí)間基準(zhǔn)進(jìn)行標(biāo)校。

對(duì)于激光雷達(dá)來(lái)說，其數(shù)據(jù)通常都是通過用戶數(shù)據(jù)包協(xié)議(User Datagram Protocol，UDP)進(jìn)行廣播。每個(gè)數(shù)據(jù)包都包含一個(gè)時(shí)間戳，該時(shí)間戳通常來(lái)自于激光雷達(dá)的內(nèi)部時(shí)鐘，可以通過外接衛(wèi)星導(dǎo)航接收機(jī)對(duì)內(nèi)部時(shí)鐘進(jìn)行校準(zhǔn)。

2.2 相機(jī)/激光雷達(dá)標(biāo)定

相機(jī)和激光雷達(dá)都是直接對(duì)環(huán)境中的地標(biāo)進(jìn)行測(cè)量，其中激光雷達(dá)測(cè)量的是地標(biāo)距離傳感器的距離，而相機(jī)可以感知地標(biāo)的視覺紋理和相對(duì)相機(jī)坐標(biāo)系的角度，二者間的標(biāo)定是一個(gè)典型的手眼標(biāo)定問題，如圖4所示。

圖4 相機(jī)/激光雷達(dá)標(biāo)定示意圖[18-19]
Fig.4 Illustration of camera-lidar calibration[18-19]

記視覺傳感器為c，其內(nèi)參標(biāo)定矩陣為K；激光雷達(dá)傳感器為l，二者剛性固聯(lián)于平臺(tái)載體上。手眼標(biāo)定問題的實(shí)質(zhì)就是求解兩個(gè)傳感器坐標(biāo)系間的相對(duì)位姿變換Trc_l=[Rc_l,tc_l]，該變換關(guān)系可以將雷達(dá)坐標(biāo)系l中的一點(diǎn)lPi變換至相機(jī)像素坐標(biāo)系cpi

cpi=π(K*Trc_l*lPi)

(3)

其中，π表示相機(jī)投影映射。因此，相機(jī)-雷達(dá)的手眼標(biāo)定問題可以被數(shù)學(xué)描述為最小化式(4)中的殘差問題

(4)

求解以上問題的關(guān)鍵就是要獲得對(duì)應(yīng)點(diǎn)對(duì){lPi,cpi}。為了獲得精確的對(duì)應(yīng)點(diǎn)對(duì)，很多算法都采取在場(chǎng)景中放置特定標(biāo)定物的形式來(lái)輔助尋找對(duì)應(yīng)點(diǎn)對(duì)。文獻(xiàn)[18]是最早進(jìn)行相機(jī)-雷達(dá)標(biāo)定的工作之一，該文嘗試將相機(jī)與單線雷達(dá)進(jìn)行標(biāo)定，通過在場(chǎng)景中放置棋盤格，提取棋盤格在雷達(dá)數(shù)據(jù)中形成的線狀特征，進(jìn)而求解相機(jī)-雷達(dá)外參；文獻(xiàn)[19]提出了一個(gè)包含人機(jī)交互界面的相機(jī)-雷達(dá)標(biāo)定軟件，可以在少量人工參與的情況下快速完成標(biāo)定工作；文獻(xiàn)[20]綜合利用棋盤格的邊緣信息和平面信息，僅需要將棋盤格放在某一固定位置處即可實(shí)現(xiàn)標(biāo)定；文獻(xiàn)[21]利用棋盤格的尺寸信息克服雷達(dá)數(shù)據(jù)的固有噪聲和多幀數(shù)據(jù)拼接時(shí)產(chǎn)生的誤差，通過對(duì)棋盤格進(jìn)行更精確的位置估計(jì)，從而得到更精確的標(biāo)定結(jié)果；文獻(xiàn)[22]設(shè)計(jì)了一種包含4個(gè)棋盤格和4個(gè)圓孔的標(biāo)定板，能夠標(biāo)定多種不同線束的雷達(dá)。

除了采用特點(diǎn)標(biāo)志物來(lái)輔助計(jì)算對(duì)應(yīng)點(diǎn)對(duì)外，近年來(lái)研究人員也提出了一些在自然場(chǎng)景中無(wú)需輔助標(biāo)定物的標(biāo)定方法。例如文獻(xiàn)[23]提出了一種利用圖像中的灰度邊緣信息和雷達(dá)點(diǎn)云中的深度邊緣信息進(jìn)行匹配標(biāo)定的方法，作者認(rèn)為深度邊緣往往對(duì)應(yīng)的就是圖像灰度邊緣。因此，可以先在雷達(dá)點(diǎn)云中計(jì)算出深度邊緣點(diǎn)，進(jìn)而將這些深度邊緣點(diǎn)投影至圖像中，計(jì)算這些投影點(diǎn)與最近圖像邊緣線的距離，優(yōu)化的目標(biāo)就是使得這些投影點(diǎn)到圖像邊緣線間的距離最短。類似的想法也出現(xiàn)在文獻(xiàn)[24]中，作者將雷達(dá)投影點(diǎn)到圖像邊緣線間的距離看成一種標(biāo)定性能評(píng)價(jià)指標(biāo)，利用該指標(biāo)可以判斷在某一時(shí)刻圖像和雷達(dá)是否因網(wǎng)絡(luò)阻塞或其他原因?qū)е露邿o(wú)法實(shí)現(xiàn)較好的匹配對(duì)應(yīng)。

從標(biāo)定精度來(lái)看，相機(jī)-激光雷達(dá)外參標(biāo)定本質(zhì)上還是一個(gè)最小二乘問題，因此如果能獲得更多更精確的匹配對(duì)應(yīng)關(guān)系，則標(biāo)定精度就會(huì)更高。相較于無(wú)需輔助標(biāo)定物的標(biāo)定方法而言，借助棋盤格等輔助標(biāo)定物的標(biāo)定方法由于可以對(duì)棋盤格的尺寸進(jìn)行精確測(cè)量，因此可能會(huì)得到更高的標(biāo)定精度。但無(wú)需輔助標(biāo)定物的標(biāo)定方法由于其標(biāo)定過程更加方便，因此更受研究人員青睞，也是目前的一個(gè)研究熱點(diǎn)。

2.3 慣性/相機(jī)標(biāo)定

相較于相機(jī)與激光雷達(dá)都是對(duì)地標(biāo)特征的測(cè)量，IMU和相機(jī)的測(cè)量信息之間差異較大。為標(biāo)定IMU/相機(jī)之間的外參，J.Alves等[25]提出了將固聯(lián)的IMU和相機(jī)固定于一個(gè)單擺上，然后以測(cè)量得到的單擺運(yùn)動(dòng)作為參考進(jìn)行標(biāo)定。然而，該方法需要借助外部設(shè)備，對(duì)標(biāo)定設(shè)備具有一定的要求，且標(biāo)定效率不高。僅利用IMU/相機(jī)自身的測(cè)量信息進(jìn)行外參標(biāo)定，則擺脫了對(duì)外部測(cè)量設(shè)備的需求。F.M.Mirzaei等[26]和M.Fleps等[27]分別提出了一種基于EKF和非線性優(yōu)化的自標(biāo)定方法。這種方法僅使用了一個(gè)棋盤格標(biāo)定板，然后通過采集相機(jī)面對(duì)標(biāo)定板運(yùn)動(dòng)的圖像和慣性信息就可以對(duì)外參進(jìn)行準(zhǔn)確估計(jì)，如圖5所示。使用標(biāo)定板的標(biāo)定算法原理與1.1節(jié)所述的SLAM原理相似，視覺標(biāo)定板提供的已知地標(biāo)位置信息為IMU/相機(jī)外參聯(lián)合標(biāo)定提供了參考。通過對(duì)標(biāo)定算法的可觀性進(jìn)行分析還發(fā)現(xiàn)，采集的數(shù)據(jù)中需要包含足夠的旋轉(zhuǎn)運(yùn)動(dòng)激勵(lì)才能保障算法的收斂性。先治文[28]提出了一種多位置靜態(tài)標(biāo)定方法，不需要采集運(yùn)動(dòng)信息就能對(duì)IMU和相機(jī)的外參進(jìn)行標(biāo)定，但這種標(biāo)定方法需要將視覺標(biāo)定板放置于高精度水平臺(tái)上。

圖5 慣性/視覺標(biāo)定示意圖[29]
Fig.5 Illustration of visual-inertial calibration[29]

在以上介紹的標(biāo)定算法中，通常認(rèn)為IMU和相機(jī)之間的數(shù)據(jù)是時(shí)間對(duì)齊的。然而，不同的傳感器時(shí)間響應(yīng)不同，對(duì)IMU和相機(jī)數(shù)據(jù)之間的時(shí)間差異進(jìn)行標(biāo)定，對(duì)于SLAM算法的狀態(tài)估計(jì)一致性具有重要意義。相較于設(shè)計(jì)高精度的同步硬件[30]，利用軟件算法標(biāo)定時(shí)間差異具有不需要額外硬件開銷的優(yōu)點(diǎn)。P.Furgale等[31]提出了一種時(shí)空聯(lián)合標(biāo)定算法，可實(shí)現(xiàn)對(duì)相機(jī)/IMU外參和傳感器時(shí)間差異進(jìn)行聯(lián)合標(biāo)定，相關(guān)算法已形成開源工具箱，被SLAM研究者和工程師廣泛使用[32]。

借助標(biāo)定板對(duì)IMU/相機(jī)時(shí)空參數(shù)進(jìn)行離線標(biāo)定的方法，難以應(yīng)對(duì)安裝基座形變等情況，并且一旦離線標(biāo)定參數(shù)精度不高，則將影響到多傳感器SLAM系統(tǒng)的融合效果。因此，研究利用自然特征的在線標(biāo)定方法具有重要的應(yīng)用價(jià)值。J.Kelly等[33]提出的標(biāo)定算法既可以使用標(biāo)定板，也可以使用未知的地標(biāo)特征點(diǎn)進(jìn)行IMU/相機(jī)外參標(biāo)定。沈劭劼等[28]將外參和時(shí)間參數(shù)加入到慣性/視覺組合SLAM系統(tǒng)中，實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)參數(shù)和標(biāo)定參數(shù)的在線聯(lián)合估計(jì)。

2.4 慣性/激光雷達(dá)標(biāo)定

相較于視覺-IMU 標(biāo)定方法，關(guān)于激光雷達(dá)-IMU 標(biāo)定方法的研究相對(duì)較少[34]。目前，主要采用分步標(biāo)定策略。首先在慣性/視覺/激光雷達(dá)系統(tǒng)中標(biāo)定IMU/相機(jī)、激光雷達(dá)/相機(jī)之間的外參，然后再利用傳遞性獲得IMU與激光雷達(dá)之間的相互安裝關(guān)系[35]。

借助高精度導(dǎo)航設(shè)備可以為IMU/激光雷達(dá)標(biāo)定提供參考信息，例如以GNSS/IMU組合導(dǎo)航系統(tǒng)輸出的運(yùn)動(dòng)信息與激光雷達(dá)SLAM測(cè)量的運(yùn)動(dòng)信息進(jìn)行配準(zhǔn)，從而標(biāo)定IMU與激光雷達(dá)的安裝關(guān)系[36]。在進(jìn)行雷達(dá)標(biāo)定的過程中，一個(gè)不容忽視的因素就是雷達(dá)由于自身運(yùn)動(dòng)所引起的幀內(nèi)畸變。雖然可利用GNSS/IMU組合導(dǎo)航系統(tǒng)輸出對(duì)幀內(nèi)運(yùn)動(dòng)進(jìn)行插值擬合，得到連續(xù)的激光雷達(dá)SLAM輸出；然而，利用GNSS/IMU組合導(dǎo)航系統(tǒng)對(duì)激光雷達(dá)SLAM進(jìn)行插值的前提是需要已知標(biāo)定關(guān)系。為了解決上述問題，可以采用反復(fù)迭代優(yōu)化[34]的方法或者限制雷達(dá)采集時(shí)刻車體是靜止的，這樣就避免了幀內(nèi)補(bǔ)償。

目前，市場(chǎng)上一些新型號(hào)激光雷達(dá)已集成了IMU，如大疆的Livox雷達(dá)[37]等，這類雷達(dá)在出廠時(shí)就已經(jīng)標(biāo)定好了雷達(dá)與IMU 間的外參，可供開發(fā)人員直接使用。

多傳感器標(biāo)定技術(shù)雖然在數(shù)學(xué)原理上已經(jīng)基本成熟，但是該技術(shù)目前仍然是機(jī)器人領(lǐng)域的研究熱點(diǎn)，相關(guān)論文在每年的頂會(huì)頂刊上依然層出不窮。研究標(biāo)定過程更方便、標(biāo)定精度更高，甚至是無(wú)需人工參與的在線自標(biāo)定方法始終是學(xué)界和工業(yè)界共同追求的目標(biāo)。

3 基于慣性/視覺/激光雷達(dá)融合的SLAM技術(shù)

本節(jié)將介紹基于慣性/視覺/激光雷達(dá)融合的SLAM技術(shù)。IMU測(cè)量的是載體運(yùn)動(dòng)的慣性信息，而相機(jī)和激光雷達(dá)都是對(duì)地標(biāo)的測(cè)量。如何將慣性信息與地標(biāo)信息進(jìn)行有效融合是組合SLAM系統(tǒng)需要解決的重要問題。本文將組合SLAM系統(tǒng)分為慣性/視覺、慣性/激光雷達(dá)和慣性/視覺/激光雷達(dá)三類系統(tǒng)?；趹T性/視覺組合的導(dǎo)航技術(shù)讀者可以參考作者前續(xù)發(fā)表的綜述文獻(xiàn)[38]，在本文中不再?gòu)?fù)述。

3.1 慣性/激光雷達(dá)組合SLAM

根據(jù)組合方式的不同，可將慣性/激光雷達(dá)組合SLAM分為松組合和緊組合兩大類。在組合SLAM中，根據(jù)狀態(tài)估計(jì)算法又可分為基于濾波的狀態(tài)估計(jì)方法和基于非線性優(yōu)化的參數(shù)優(yōu)化方法，慣性/激光雷達(dá)組合SLAM部分文獻(xiàn)總結(jié)如表1所示。由于各算法的測(cè)試條件和評(píng)估方法不同，難以對(duì)算法精度進(jìn)行對(duì)比，因此表1中僅列出了各算法在特定測(cè)試條件下的定位精度指標(biāo)作為參考。

表1 慣性/激光雷達(dá)組合SLAM

Tab.1 Lidar-inertial SLAM systems

LOAM[14]是可實(shí)時(shí)化的激光雷達(dá)SLAM代表作之一，其在2014年被提出時(shí)即在KITTI數(shù)據(jù)集的精度測(cè)試榜上排名第一。相較于純激光雷達(dá)的LOAM算法，采用卡爾曼濾波器將激光雷達(dá)與IMU進(jìn)行松組合，并利用IMU輸出的高頻運(yùn)動(dòng)信息對(duì)雷達(dá)點(diǎn)云進(jìn)行校正，可顯著提升LOAM算法精度。LeGO-LOAM[40]則以LOAM為基礎(chǔ)，針對(duì)地面應(yīng)用對(duì)特征提取和狀態(tài)估計(jì)進(jìn)行了優(yōu)化，不僅提升了算法精度，還可在Nvidia Jetson TX2 計(jì)算模塊中實(shí)時(shí)運(yùn)行。IMU-Aided LIO算法[15]則將IMU與輪式碼盤組合獲得高頻運(yùn)動(dòng)信息，然后將該信息用于補(bǔ)償激光雷達(dá)掃描過程中產(chǎn)生的點(diǎn)云畸變。

相較于松組合系統(tǒng)，慣性/激光雷達(dá)緊組合SLAM系統(tǒng)在后端算法中直接利用點(diǎn)云觀測(cè)信息優(yōu)化定位與建圖結(jié)果；同時(shí)，在前端點(diǎn)云匹配中也會(huì)利用組合系統(tǒng)輸出的高頻運(yùn)動(dòng)信息進(jìn)行補(bǔ)償和初始化。MC2SLAM[41]利用慣性信息對(duì)運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)，并構(gòu)建幀間相對(duì)運(yùn)動(dòng)因子；在優(yōu)化過程中則采用因子圖對(duì)先驗(yàn)殘差、雷達(dá)里程計(jì)殘差和幀間相對(duì)運(yùn)動(dòng)殘差進(jìn)行聯(lián)合優(yōu)化，其測(cè)試結(jié)果在KITTI數(shù)據(jù)集上展示出比LOAM算法更高的精度。LIOM[42]將定位與建圖設(shè)置為兩個(gè)并行的節(jié)點(diǎn)，在定位模塊中采用基于滑動(dòng)窗口的因子圖優(yōu)化方法進(jìn)行信息融合。為提升組合算法運(yùn)行效率，LIOM還采用了慣性預(yù)積分理論[52]以避免對(duì)慣性的重復(fù)積分運(yùn)算。LINS[43]采用迭代卡爾曼濾波器對(duì)慣性/激光雷達(dá)進(jìn)行緊組合，雖然其精度與LIOM相當(dāng)，但LINS的運(yùn)行速度卻明顯快于LIOM。在同一計(jì)算設(shè)備中的測(cè)試表明，LIOM處理一幀雷達(dá)數(shù)據(jù)的時(shí)間大于100ms，而LINS卻小于30ms。LIO-SAM[44]利用iSAM[53]平滑優(yōu)化工具箱，將慣性、激光雷達(dá)和全球定位系統(tǒng)(Global Positioning System，GPS)進(jìn)行融合，并且采用一種局部地圖匹配策略替換LOAM和LIOM中的全局地圖匹配策略，使得LIO-SAM具有更高的精度和更短的計(jì)算耗時(shí)。與多數(shù)慣性/激光雷達(dá)SLAM在前端算法中提取線、面等特征不同，F(xiàn)AST-LIO2[51]直接將激光雷達(dá)測(cè)得的點(diǎn)與地圖進(jìn)行匹配，并且采用K-D樹來(lái)保障對(duì)地圖的快速更新。針對(duì)新型的固態(tài)激光雷達(dá)，LiLi-OM[45]設(shè)計(jì)了一種從固態(tài)激光雷達(dá)中提取特征的方法，并設(shè)計(jì)了一種針對(duì)激光雷達(dá)的關(guān)鍵幀滑動(dòng)窗口優(yōu)化策略。在與LIOM、LINS和LIO-SAM等算法的對(duì)比中，LiLi-OM展現(xiàn)出更好的定位精度。

3.2 慣性/視覺/激光雷達(dá)組合SLAM技術(shù)

雖然相機(jī)和激光雷達(dá)都可以感知地標(biāo)信息，但兩種傳感器測(cè)量的信息類型不同。一種簡(jiǎn)單的融合思路是分別以視覺和激光雷達(dá)為基礎(chǔ)構(gòu)建里程計(jì)，然后通過松組合的方式將兩個(gè)模塊的輸出結(jié)果進(jìn)一步融合[54-57]。SuperOdometry[54]則以IMU為中心構(gòu)建了慣性/視覺里程計(jì)和慣性/激光雷達(dá)里程計(jì)分別對(duì)運(yùn)動(dòng)參數(shù)進(jìn)行估計(jì)，然后利用位姿圖優(yōu)化方法將兩個(gè)里程計(jì)輸出進(jìn)行融合(如圖6所示)。構(gòu)建兩個(gè)里程計(jì)模塊的松組合方法雖然降低了算法設(shè)計(jì)的復(fù)雜度，但未能發(fā)揮視覺和雷達(dá)在前端感知中的互補(bǔ)性。在VIL-SLAM[55]中，采用一個(gè)慣性/雙目視覺里程計(jì)進(jìn)行運(yùn)動(dòng)估計(jì)，并利用里程計(jì)輸出的運(yùn)動(dòng)信息和激光雷達(dá)點(diǎn)云信息進(jìn)行建圖；在閉環(huán)優(yōu)化中，首先采用視覺信息檢測(cè)閉環(huán)，然后利用雷達(dá)點(diǎn)云配準(zhǔn)解算相對(duì)運(yùn)動(dòng)信息，進(jìn)而對(duì)運(yùn)動(dòng)軌跡和環(huán)境地圖進(jìn)行優(yōu)化。在Zhang J.等提出的方法[58-59]中，包含視覺/慣性里程計(jì)和激光雷達(dá)里程計(jì)兩個(gè)模塊，在視覺里程計(jì)中激光雷達(dá)測(cè)量的深度信息和視覺特征進(jìn)行了配準(zhǔn)；而視覺里程計(jì)的輸出也用于輔助激光雷達(dá)點(diǎn)云的幀間匹配。然而，同時(shí)運(yùn)行視覺和激光雷達(dá)兩個(gè)里程計(jì)算法模塊需要更多的計(jì)算資源，算法效率不高。

圖6 將慣性/視覺與慣性/激光雷達(dá)兩種里程計(jì)進(jìn)行融合示意圖[54]
Fig.6 Schematic diagram of fusing visual-inertial odometry and lidar-inertial odometry[54]

僅在SLAM前端算法中進(jìn)行融合可以降低后端算法對(duì)計(jì)算資源的需求。Liang X.等[60]提出的方法就以激光雷達(dá)SLAM算法為主，僅在前端算法中采用視覺特征輔助閉環(huán)檢測(cè)。Zuo X.等[61]則利用先驗(yàn)的激光雷達(dá)點(diǎn)云地圖為慣性/雙目視覺里程計(jì)提供位置約束信息。LIMO[62]則以視覺里程計(jì)為主，通過數(shù)據(jù)匹配將激光雷達(dá)測(cè)量的深度信息賦予視覺特征。將視覺圖像和雷達(dá)點(diǎn)云進(jìn)行配準(zhǔn)后，圖像信息中就包含了激光雷達(dá)測(cè)量的稀疏深度信息，基于融合后的感知數(shù)據(jù)構(gòu)建SLAM可以發(fā)揮兩種感知信息的優(yōu)勢(shì)[63-65]。

將多傳感器進(jìn)行緊組合可以更有效地利用測(cè)量信息提升系統(tǒng)的魯棒性和精度，近年來(lái)基于緊組合的慣性/視覺/激光雷達(dá)系統(tǒng)也受到了研究者的關(guān)注。Yang Y.等[66]基于MSCKF將慣性信息、視覺點(diǎn)特征信息和激光雷達(dá)中提取的平面特征信息進(jìn)行融合。同樣基于MSCKF框架，LIC-Fusion算法[67]則從激光雷達(dá)中提取邊緣特征和平面特征進(jìn)行融合。在后續(xù)的LIC2.0算法[68]中,還可以對(duì)視覺/慣性和激光雷達(dá)/慣性的外參進(jìn)行在線估計(jì)。PL-LOAM算法[69]則以視覺點(diǎn)、線特征為感知特征，構(gòu)建單目視覺里程計(jì)；激光雷達(dá)則用于恢復(fù)視覺特征的深度信息，以及校正里程計(jì)尺度漂移。視覺信息和激光雷達(dá)測(cè)量的深度信息通過全局的集束優(yōu)化(Bundle Adjustment)進(jìn)行融合。D.Wisth等[70]基于因子圖融合了慣性信息、視覺特征和激光雷達(dá)線特征信息，還使用了預(yù)積分、視覺特征深度信息配準(zhǔn)和激光雷達(dá)數(shù)據(jù)糾偏等模塊，如圖7所示。Zhu Y.等[71]基于小型化的Livox固態(tài)激光雷達(dá)，設(shè)計(jì)了視覺/激光雷達(dá)融合SLAM算法，并實(shí)現(xiàn)了室外的高精度定位與建圖。Shan T.等[72]提出的LVI-SAM中包括慣性視覺里程計(jì)和激光雷達(dá)里程計(jì)兩個(gè)模塊，并且在前端進(jìn)行了感知信息的融合，其中激光雷達(dá)用于恢復(fù)視覺特征深度，而視覺/慣性里程計(jì)輸出則用于輔助點(diǎn)云特征配準(zhǔn)，最后采用因子圖對(duì)慣性預(yù)積分信息和兩個(gè)里程計(jì)模塊輸出進(jìn)行了融合。Lin J.等[73]提出的R2LIVE算法則結(jié)合EKF和因子圖進(jìn)行多傳感器融合，其中EKF將慣性信息、視覺角點(diǎn)特征和激光雷達(dá)平面特征點(diǎn)等觀測(cè)信息進(jìn)行緊組合，產(chǎn)生高頻的運(yùn)動(dòng)估計(jì)輸出；而因子圖則以較低的頻率對(duì)視覺地圖進(jìn)行校正。在后續(xù)改進(jìn)的R3LIVE[74]算法中，融合SLAM系統(tǒng)的實(shí)時(shí)性進(jìn)一步提升，并且在構(gòu)圖模塊中結(jié)合視覺和激光雷達(dá)信息，可以實(shí)時(shí)構(gòu)建稠密的、帶有顏色的三維地圖。

從算法實(shí)時(shí)性來(lái)說，目前提出的組合SLAM方法基本都能夠達(dá)到實(shí)時(shí)性要求(算法耗時(shí)小于激光雷達(dá)的數(shù)據(jù)采集間隔)。一般來(lái)說，SLAM算法前端的計(jì)算量要小于后端的計(jì)算量。因此，目前常見的SLAM系統(tǒng)通常將前端和后端分兩個(gè)線程實(shí)現(xiàn)。前端在負(fù)責(zé)特征點(diǎn)提取和數(shù)據(jù)關(guān)聯(lián)的基礎(chǔ)上，也會(huì)進(jìn)行雷達(dá)幀間的匹配或圖像特征點(diǎn)與局部子圖的粗匹配，而后端則負(fù)責(zé)某一時(shí)間滑窗內(nèi)的整體位姿優(yōu)化和地圖優(yōu)化。前端雖然會(huì)產(chǎn)生一定的位姿漂移，但在后端優(yōu)化線程中則會(huì)對(duì)漂移進(jìn)行校正，這樣既保證了位姿估計(jì)精度，也提升了算法的實(shí)時(shí)性。部分基于慣性/視覺/激光雷達(dá)融合的SLAM算法總結(jié)如表2所示。

圖7 慣性/視覺/激光雷達(dá)緊組合示意圖[70]
Fig.7 Schematic diagram of a tightly integrated inertial-visual-lidar SLAM system[70]

表2 慣性/視覺/激光雷達(dá)組合SLAM

Tab.2 Inertial-visual-lidar SLAM systems

4 基于多傳感器融合的SLAM技術(shù)發(fā)展趨勢(shì)

基于多源傳感器融合的SLAM技術(shù)在精度和魯棒性上都已經(jīng)表現(xiàn)出比單個(gè)傳感器SLAM方法更優(yōu)的性能，但仍有以下重點(diǎn)問題值得關(guān)注：

1)對(duì)單個(gè)導(dǎo)航源置信度的準(zhǔn)確估計(jì)。多源信息融合的基礎(chǔ)是能夠?qū)γ總€(gè)導(dǎo)航源的置信度進(jìn)行準(zhǔn)確估計(jì)。在復(fù)雜場(chǎng)景下，視覺或激光雷達(dá)則會(huì)因周圍環(huán)境特征的缺失而變得不可信，如何在線對(duì)視覺和激光雷達(dá)測(cè)量信息的置信度進(jìn)行準(zhǔn)確估計(jì)是目前的一個(gè)研究熱點(diǎn)[76-78]。

2)更加魯棒的感知前端。SLAM的前端是實(shí)現(xiàn)定位與建圖的基礎(chǔ)。一方面可以通過融合更多互補(bǔ)的傳感器，例如事件相機(jī)[79]、固態(tài)激光雷達(dá)及毫米波雷達(dá)等，提升前端感知能力；另一方面，可以利用更為魯棒的特征信息構(gòu)建SLAM系統(tǒng)，例如基于語(yǔ)義特征的SLAM方法[80-81]近年來(lái)就得到了廣泛的關(guān)注。

3)適應(yīng)性更強(qiáng)的后端優(yōu)化方法?，F(xiàn)有基于卡爾曼濾波或因子圖的后端融合方法對(duì)測(cè)量信息的噪聲特征等都有一定的限定條件。在復(fù)雜環(huán)境和復(fù)雜動(dòng)態(tài)條件下，測(cè)量信息中包含未知模型噪聲和大量野值點(diǎn)(outlier)時(shí)，優(yōu)化方法如何適應(yīng)環(huán)境和動(dòng)態(tài)性變化，保持系統(tǒng)的有效性和精度是值得關(guān)注的問題。目前，基于學(xué)習(xí)和學(xué)習(xí)+模型[82]的信息融合與標(biāo)定方法[83]有望解決這類難題。

4)基于SLAM的無(wú)人系統(tǒng)環(huán)境感知技術(shù)。對(duì)于無(wú)人系統(tǒng)來(lái)說，SLAM是一種技術(shù)手段而不是終極目的。如何利用好SLAM提供的幀間相對(duì)位姿，實(shí)現(xiàn)基于多幀序貫數(shù)據(jù)融合的環(huán)境感知，以及如何從SLAM系統(tǒng)構(gòu)建出的環(huán)境高精度地圖中挖掘出物體、語(yǔ)義、關(guān)系等高層特征以輔助對(duì)場(chǎng)景的實(shí)時(shí)理解，是無(wú)人平臺(tái)環(huán)境感知系統(tǒng)亟需突破的關(guān)鍵核心技術(shù)。

編輯：黃飛

?