SLAM-同步定位和绘图

SLAM 算法基于计算几何和计算机视觉的概念，用于机器人导航、机器人测绘和虚拟现实或增强现实测距。SLAM 算法是根据可用资源量身定制的，目的不是完美，而是操作合规性。已发布的方法应用于自动驾驶汽车、无人机、自主水下航行器、行星漫游车、新型家用机器人，甚至人体内部。

流行的近似求解方法包括粒子滤波器、扩展卡尔曼滤波器、协方差交集和 GraphSLAM。

SLAM多年来一直是技术研究的课题。但随着计算机处理速度的大幅提高以及相机和激光测距仪等低成本传感器的出现，SLAM 算法现已在越来越多的领域得到实际应用。

SLAM 算法在许多其他应用中也很有用，例如导航移动机器人车队在仓库中安排货架、将自动驾驶汽车停放在空位上，或者通过在未知环境中导航无人机来递送包裹。

SLAM 的工作原理

从广义上讲，有两种类型的技术组件用于实现 SLAM。第 一类是传感器信号处理，包括前端处理，这很大程度上取决于所使用的传感器。第二种类型是位姿图优化，包括与传感器无关的后端处理。

SLAM方法的类型

视觉 SLAM、激光雷达 SLAM 和多传感器 SLAM

视觉SLAM

顾名思义，视觉 SLAM（或 vSLAM）使用从摄像机和其他图像传感器获取的图像。视觉SLAM可以使用简单相机（广角、鱼眼和球面相机）、复眼相机（立体和多相机）和RGB-D相机（深度和ToF相机）。

视觉 SLAM 可以通过相对便宜的相机以低成本实现。此外，由于相机提供大量信息，因此它们可用于检测地标（先前测量的位置）。地标检测还可以与基于图的优化相结合，实现 SLAM 实施的灵活性。

单目 SLAM 是 SLAM 算法的一种，当 vSLAM 使用单个摄像头作为唯 一传感器时，这使得定义深度变得具有挑战性。这可以通过检测 AR 标记、棋盘或图像中的其他已知物体进行定位来解决，或者将摄像头信息与惯性测量单元 (IMU) 等其他传感器融合，后者可以测量速度和方向等物理量。与vSLAM相关的技术包括运动结构（SfM）、视觉里程计和束调整。

视觉SLAM算法大致可以分为两类。稀疏方法匹配图像的特征点，使用PTAM、ORB-SLAM等算法。密集方法利用图像的整体亮度，并使用 DTAM、LSD-SLAM、DSO 和 SVO 等算法。

单目vSLAM

立体vSLAM

RGB-D vSLAM

激光雷达SLAM

光探测和测距（激光雷达）是一种主要使用激光传感器（或距离传感器）的方法。

与相机、ToF 和其他传感器相比，激光的精 确度明显更高，适用于自动驾驶汽车和无人机等高速移动车辆的应用。激光传感器的输出值通常是 2D (x, y) 或 3D (x, y, z) 点云数据。激光传感器点云提供高精度距离测量，并有效地使用 SLAM 算法构建地图。通过注册点云来估计运动。计算出的运动（行驶距离）用于定位车辆。要估计点云之间的相对变换，您可以使用配准算法，例如迭代最近点 (ICP) 和正态分布变换 (NDT)。或者，您可以使用基于特征的方法，例如基于 FPFH 特征的激光雷达里程计和测绘 (LOAM) 或快速全局配准 (FGR)。2D 或 3D 点云图可以表示为网格图或体素图。

由于这些挑战，自动驾驶车辆的定位可能涉及融合其他测量数据，例如车轮里程计、全球导航卫星系统 (GNSS) 和 IMU 数据。对于仓库机器人等应用，通常使用2D 激光雷达 SLAM ，而使用 3D 点云的 SLAM通常用于无人机和自动驾驶

SLAM 与 2D LiDAR

SLAM 与 3D LiDAR

多传感器SLAM

多传感器 SLAM 是 SLAM 算法的一种，它利用多种传感器（包括摄像头、IMU（惯性测量单元）、GPS、激光雷达、雷达等）来增强 SLAM 算法的精度和鲁棒性。通过利用不同传感器的优势互补并减轻其各自的局限性，多传感器 SLAM 可以实现卓越的性能。例如，虽然摄像头可以提供详细的视觉数据，但它们在低光或高速场景下可能会出现问题；另一方面，激光雷达在不同的照明条件下表现一致，但在某些表面材料上可能会遇到困难。通过集成各种来源的数据，多传感器 SLAM 提供了比单传感器解决方案更可靠的解决方案。因子图是一个模块化且适应性强的框架，集成了多种传感器类型，例如摄像头、IMU 和 GPS。此外，因子图通过将数据转换为姿态因子来容纳自定义传感器输入（如激光雷达和里程计）。此功能支持各种多传感器 SLAM 配置，例如单目视觉惯性 SLAM和激光雷达 IMU SLAM。

SLAM 的常见挑战

尽管 SLAM 算法已用于一些实际应用，但一些技术挑战阻碍了更通用的采用。每个人都有一个可以帮助克服障碍的对策。

1. 定位误差累积，导致与实际值偏差较大

SLAM 算法估计顺序运动，其中包含一定的误差幅度。误差随着时间的推移而累积，导致与实际值的显着偏差。它还可能导致地图数据崩溃或扭曲，使后续搜索变得困难。我们以绕方形通道行驶为例。随着误差的累积，机器人的起点和终点不再匹配。这称为循环闭合问题。像这样的姿势估计错误是不可避免的。检测闭环并确定如何纠正或消除累积的错误非常重要。

对于多传感器 SLAM，传感器的精 确校准至关重要。差异或校准错误可能会导致传感器融合不准确并破坏系统的整体功能。因子图优化可以进一步帮助校准过程，包括相机-IMU 系统的对准。

一种对策是记住以前访问过的地方的一些特征作为地标，并最 大限度地减少定位误差。构建姿势图是为了帮助纠正错误。通过将误差最小化作为优化问题来解决，可以生成更准确的地图数据。这种优化在视觉SLAM中称为捆绑调整。

2. 定位失败，地图位置丢失

图像和点云映射没有考虑机器人运动的特征。在某些情况下，这种方法可能会生成不连续的位置估计。例如，计算结果显示，以 1 m/s 速度移动的机器人突然向前跳跃了 10 米。可以通过使用恢复算法或将运动模型与多个传感器融合以根据传感器数据进行计算来防止这种定位失败。

使用具有传感器融合的运动模型的方法有多种。一种常见的方法是使用卡尔曼滤波进行定位。由于大多数差动驱动机器人和四轮车辆通常使用非线性运动模型，因此经常使用扩展卡尔曼滤波器和粒子滤波器（蒙特卡罗定位）。在某些情况下，还可以使用更灵活的贝叶斯滤波器，例如无迹卡尔曼滤波器。一些常用的传感器是惯性测量设备，例如 IMU、姿态和航向参考系统或AHRS、惯性导航系统或 INS、加速度计传感器、陀螺仪传感器和磁传感器。安装在车辆上的车轮编码器通常用于里程计。

当定位失败时，恢复的对策是记住以前访问过的地方的地标作为关键帧。在搜索地标时，会以高速扫描的方式应用特征提取过程。一些基于图像特征的方法包括特征袋（BoF）和视觉词袋（BoVW）。最近，深度学习已被用于比较特征的距离。

3.图像处理、点云处理和优化的计算成本较高

在车辆硬件上实现 SLAM 算法时，计算成本是一个问题。计算通常在处理能力有限的紧凑且低能耗的嵌入式微处理器上执行。为了实现精 确定位，必须高频度地执行图像处理和点云匹配。另外，闭环等优化计算属于高计算过程。挑战在于如何在嵌入式微型计算机上执行这种计算成本高昂的处理。

一种对策是并行运行不同的进程。特征提取等过程是匹配过程的预处理，比较适合并行化。使用多核 CPU 进行处理、单指令多数据 (SIMD) 计算和嵌入式 GPU 在某些情况下可以进一步提高速度。此外，由于位姿图优化可以在相对较长的周期内执行，因此降低其优先级并定期执行此过程也可以提高性能。