01 ? 激光SLAM簡介

基于激光雷達的同時定位與地圖構建技術（simultaneous localization and mapping， SLAM）以其準確測量障礙點的角度與距離、 無須預先布置場景、可融合多傳感器、 在光線較差環(huán)境工作、 能夠生成便于導航的環(huán)境地圖等優(yōu)勢，成為目前定位方案中不可或缺的新技術。

激光 SLAM 任務是搭載激光雷達的主體于運動中估計自身的位姿，同時建立周圍的環(huán)境地圖。而準確的定位需要精確的地圖，精確的地圖則來自于準確的定位，定位側重自身位姿估計，建圖側重外部環(huán)境重建。

SLAM系統(tǒng)一般分為五個模塊：傳感器數(shù)據(jù)、視覺里程計、后端、建圖及回環(huán)檢測。

傳感器數(shù)據(jù)：主要用于采集實際環(huán)境中的各類型原始數(shù)據(jù)。包括激光掃描數(shù)據(jù)、視頻圖像數(shù)據(jù)、點云數(shù)據(jù)等。

視覺里程計：主要用于不同時刻間移動目標相對位置的估算。包括特征匹配、直接配準等算法的應用。

后端：主要用于優(yōu)化視覺里程計帶來的累計誤差。包括濾波器、圖優(yōu)化等算法應用。

建圖：用于三維地圖構建。

回環(huán)檢測：主要用于空間累積誤差消除

SLAM工作的主要流程為：

傳感器讀取數(shù)據(jù)后，視覺里程計估計兩個時刻的相對運動（Ego-motion），后端處理視覺里程計估計結果的累積誤差，建圖則根據(jù)前端與后端得到的運動軌跡來建立地圖，回環(huán)檢測考慮了同一場景不同時刻的圖像，提供了空間上約束來消除累積誤差。

激光雷達采集到的物體信息呈現(xiàn)出一系列分散的、具有準確角度和距離信息的點，被稱為點云。通常，激光SLAM系統(tǒng)通過對不同時刻兩片點云的匹配與比對，計算激光雷達相對運動的距離和姿態(tài)的改變，也就完成了對機器人自身的定位。

激光雷達距離測量比較準確，誤差模型簡單，在強光直射以外的環(huán)境中運行穩(wěn)定，點云的處理也比較容易。同時，點云信息本身包含直接的幾何關系，使得機器人的路徑規(guī)劃和導航變得直觀。激光SLAM理論研究也相對成熟，落地產(chǎn)品更豐富。

02 ? 激光SLAM（二維）框架整理

03 ? 開源激光SLAM方案

根據(jù)所采用的凸優(yōu)化框架， 激光 SLAM 可分為兩大類：基于濾波器（Filter-based）和基于圖優(yōu)化（Graph-based）的激光 SLAM。

3.1?基于濾波器的激光SLAM方案

3.2? 基于圖優(yōu)化激光SLAM方案

在真實環(huán)境中，由于周圍特征點能夠輔助機器人定位和建圖，構建的柵格地圖會比仿真環(huán)境中效果好。Hector-SLAM 方案的缺點是對初值敏感，同時難以處理閉環(huán)問題。Hector-SLAM 的整體建圖精度高于Gmapping，但對參數(shù)配置要求較高。Hector -SLAM 適用于對地圖要求較高的場合， Gmapping 易用性更好。

3.3 3D 激光SLAM?

在 3D 激光 SLAM 領域中， 由 Zhang J 等人提出的LOAM?方案，利用 3D 激光雷達采集數(shù)據(jù)， 進行基于特征點的掃描匹配， 利用非線性優(yōu)化方法進行運動估計， 激光里程計的輸出與地圖進行匹配， 包括直線匹配和平面匹配， 無回環(huán)檢測模塊，點面特征還不夠可靠。

小結 ? ?

Gmapping可以實時構建室內(nèi)地圖，在構建小場景地圖所需的計算量較小且精度較高。相比Hector SLAM對激光雷達頻率要求低、魯棒性高（Hector 在機器人快速轉向時很容易發(fā)生錯誤匹配，建出的地圖發(fā)生錯位，原因主要是優(yōu)化算法容易陷入局部最小值）；而相比Cartographer在構建小場景地圖時，Gmapping不需要太多的粒子并且沒有回環(huán)檢測因此計算量小于Cartographer而精度并沒有差太多。

Gmapping有效利用了車輪里程計信息，這也是Gmapping對激光雷達頻率要求低的原因：里程計可以提供機器人的位姿先驗。而Hector和Cartographer的設計初衷不是為了解決平面移動機器人定位和建圖，Hector主要用于救災等地面不平坦的情況，因此無法使用里程計。而Cartographer是用于手持激光雷達完成SLAM過程，也就沒有里程計可以用。

隨著場景增大所需的粒子增加，因為每個粒子都攜帶一幅地圖，因此在構建大地圖時所需內(nèi)存和計算量都會增加。因此不適合構建大場景地圖。并且沒有回環(huán)檢測，因此在回環(huán)閉合時可能會造成地圖錯位，雖然增加粒子數(shù)目可以使地圖閉合但是以增加計算量和內(nèi)存為代價。所以不能像Cartographer那樣構建大的地圖，雖然論文生成幾萬平米的地圖，但實際我們使用中建的地圖沒有幾千平米時就會發(fā)生錯誤。

Gmapping和Cartographer一個是基于濾波框架SLAM另一個是基于優(yōu)化框架的SLAM，兩種算法都涉及到時間復雜度和空間復雜度的權衡。Gmapping犧牲空間復雜度保證時間復雜度，這就造成Gmapping不適合構建大場景地圖，試想一下你要構建200乘200米的環(huán)境地圖，柵格分辨率選擇5厘米，每個柵格占用一字節(jié)內(nèi)存，那么一個粒子攜帶的地圖就需要16M內(nèi)存，如果是100個粒子就需要1.6G內(nèi)存。

如果地圖變成500乘500米，粒子數(shù)為200個，可能電腦就要崩潰了。翻看Cartographer算法，優(yōu)化相當于地圖中只用一個粒子，因此存儲空間比較Gmapping會小很多倍，但計算量大，一般的筆記本很難跑出來好的地圖，甚至根本就跑不動。優(yōu)化圖需要復雜的矩陣運算，這也是谷歌為什么還有弄個ceres庫出來的原因。

審核編輯：黃飛

?