机器人开发
机器人开发--SLAM介绍1介绍1.1概述1.2发展历程三个时代重要时间节点视觉SLAM分类及里程碑技术发展1.3SLAM与各模块关系1.5SLAM分类1.4应用领域2SLAM框架视觉/惯性SLAM系统框架结构经典框架3常见方案3.1常见激光雷达方案3.2常见视觉方案3.3多传感器融合方案4地图类型各类地图优缺点视觉SLAM构建地图类型5各传感器优缺点6应用参考1介绍1.1概述SLAM(SimultaneousLocalizationandMapping),也称为CML(ConcurrentMappingandLocalization),即时定位与地图构建，或并发建图与定位。同步定位和建图(SLAM)是构建或更新未知环境的地图，同时跟踪代理在其中的位置的计算问题。虽然这最初看起来是一个先有鸡还是先有蛋的问题，但有几种已知的算法可以在某些环境下至少在大约可处理的时间内解决这个问题。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。1.2发展历程三个时代SLAM技术历经的三个时代。
1986~2004：传统时代，提出SLAM概念，作为状态估计问题进行求解；2004~2015：算法分析时代，研究其基本特性；2015~至今：预测性-鲁棒性时代。重要时间节点1986年，ICRA会议上首次提出SLAM，先应用在军事机器人领域1987年，EKF-SLAM1993年，PF-SLAM，粒子滤波算法兴起1997年，LU等最早提出基于图优化理论的SLAM方案2000年，RBPF-SLAM具有划时代意义2002年，FastSLAM2003年，MonoSLAM第一个纯视觉方案2007年，Cmapping应用广泛、PTAM（视觉）、MSCKF，首个VIO算法2010年，Optimal-RBPF，Karto-SLAM首个基于图优化框架的开源方案2011年，Hector-SLAM、DTAM（视觉）、KinectFusion,第一个基于kinect的算法2014年，LSD-SLAM（视觉）、SVO（视觉），LOAM，首个3D激光SLAM、OKVIS(VIO)2015年，RB-SLAM、V-LOAM（视觉+激光+IMU），最早将视觉与3D激光融合的SLAm2016年，DSO（视觉）、Cartographer（建图效果最好，应用广泛）、VELO（视觉+激光）2017年，ROVIO（VIO）2018年，IMIS-SLAM、LeGO-LOAM、LVIO（视觉+激光+IMU）、LIMO（视觉+激光）、VIMS-Mono（VIO）2019年，HDL_Graph_SLAM2020年，LIO-SAM、GP-SLAM2021年，ORB-SLAM3、T-LOAM视觉SLAM分类及里程碑技术发展1.3SLAM与各模块关系机器人自主定位导航技术中包括：定位和地图创建（SLAM）与路径规划和运动控制两个部分，而SLAM本身只是完成机器人的定位和地图创建，二者有所区别。自主导航的解决方案：SLAM+路径规划+运动控制；1.5SLAM分类1.4应用领域机器人定位导航：SLAM可用于生成移动机器人所处环境的地图。基于这个地图，机器人执行路径规划、自主定位、导航等任务。无人驾驶领域：SLAM技术可以提供视觉里程计功能，然后与GPS等其他定位方式相融合。无人机领域：SLAM可以构建局部地图，辅助无人机进行自主避障、规划路径。VR／AR方面：根据SLAM得到地图和当前视角对叠加虚拟物体做相应渲染，这样做可以使得叠加的虚拟物体看起来比较真实，没有违和感。2SLAM框架视觉/惯性SLAM系统框架结构经典框架3常见方案from马志艳,邵长松,杨光友,李辉.同步定位与建图技术研究进展[J].中国光学期刊2023,30(3):78-85
3.1常见激光雷达方案年份方案原理优缺点其他1987EKF-SLAM滤波器计算复杂，实时性较差，鲁棒性低适用于室内、小范围场景2000RBPF滤波器解决了环境非高斯，降低了计算复杂度，提高了效率Rao-Blackwellized与PF结合2002FastSLAM滤波器降低了计算的复杂度，鲁棒性较好；内存消耗和粒子耗散问题严重融合EKF和PF优点2007Gmapping滤波器优化了粒子耗散问题；依赖里程计信息适用于小尺度环境和低特征环境2010Karto-SLAM图优化认识到稀疏性问题首个基于图优化框架的开源方案2011Hector-SLAM图优化不需要里程计，对激光测量频率要求较高，依赖初值，缺少闭环检测可用于崎岖路面或空中无人机2014LOAM图优化实时性高；缺少回环检测最早3D激光SLAM2016Cartographer图优化累计误差较小，建图效果好，提速闭环检测，容易引起错误的闭环分为前端和后端；室内2D较为优越，室外3D建图效果不佳2018IMLS-SLAM图优化仅基于激光雷达，不依赖相机、GPS,IMU核心思想是选择具有代表性的激光点进行匹配2018LeGO-LOAM图优化计算轻量化，增加了闭环检测，降低了计算的复杂度，精度略有欠缺一种轻量级和地面优化的激光雷达里程计和建图方法2019HDL_Graph_SLAM图优化降低计算复杂度，更好地构建全局一致性地图融合GPS,IMU,Lidar约束信息2020LIO-SAM图优化实现紧密耦合激光雷达惯性测距，鲁棒性更好融合激光里程计、IMU、GPS和回环2020GP-SLAM图优化存储消耗小，易于更新，效率、精度表现较好；GP地图边界的不连续性影响建图的效果位姿估计方法与地图更新方法相结合；适用于大尺度环境2021T-LOAM图优化计算效率高、鲁棒性强，减轻异常值设计了一种新的特征提取模块3.2常见视觉方案年份方案原理优缺点其他2003MonoSLAM特征提取可达到实时；地图尺度与计算的复杂度成正比第一个纯视觉SLAM方案，基于滤波的单目SALM2007PTAM特征提取提高了鲁棒性和准确性；需要强大的计算硬件第一个提出的多线程SLAM处理算法2011DTAM直接法可在图片模糊、特征不明显的环境中直接跟踪；对GPU硬件要求较高依赖于密集的每像素方法2011KinectFusionRGB-D相机解决光照敏感问题；成本高，有效探测距离短第一个基于Kinect实时构建稠密三维地图的算法2014LSD-SLAM直接法允许构建大规模、一致的环境地图一种直接单目SLAM算法2014SVO直接法更精确、速度更快、鲁棒性更好一种半直接单目视觉里程计算法；适用于无人机系统2015ORB-SLAM特征提取定位精度高、鲁棒性好，可以实时运行基于特征点的最完整单目视觉SLAM系统2016DSO直接法考虑了镜头的曝光时间、渐晕效应和非线性响应函数一种基于新颖、高精度的稀疏直接结构和运动公式的视觉里程计方法2017ORB-SLAM2特征提取精度更高，使用范围更广，保证实时性扩展了双目相机和深度相机2021ORB-SLAM3特征提取实现实时鲁棒操作，比以前的方法精确两到十倍第一个能够使用单目、立体和RGB-D相机，使用针孔和鱼眼镜头模型执行视觉、视觉惯性和多图SLAM的系统3.3多传感器融合方案年份方案原理优缺点其他2007MSCKF视觉+IMU可运行复杂的环境中，速度快；精度略低紧耦合的滤波方法；提出VIO算法2014OKVIS视觉+IMU建图效果较好；缺少闭环紧耦合的优化方法2015V-LOAM视觉+激光+IMU鲁棒性较好，漂移较小最早视觉与3D激光融合的方案2016VELO视觉+激光有闭环模块，低漂移误差利用位姿图的稀疏性优化位姿误差2017ROVIO视觉+IMU计算量小；缺少闭环，需要调参数紧耦合的滤波方法2018VINS-Mono视觉+IMU重定位计算量小，适用于高精度定位紧密耦合的非线性优化方法2018LVIO视觉+激光+IMU可运行高度动态、黑暗、无纹理、无结构的环境中一个顺序的多层运行模块2018LIMO视觉+激光递进式策略更加开放；精度略低于V-LOAM方案一种从激光雷达测量中提取相机特征轨迹的深度算法4地图类型各类地图优缺点地图类型优点缺点拓扑地图适用于范围广且障碍物类型较少的场景、占用内存小、计算效率高、路径规划高效路径规划最优性差、相似物体分辨准确度低几何地图简化环境信息、障碍物辨识更直观、目标提取更方便广域环境中数据精度低、计算量大栅格地图不受环境地形影响、感知数据易保存与维护保存数据过多会导致信息更新难度加大、目标识别效果变差视觉SLAM构建地图类型5各传感器优缺点6应用二维激光SLAM构建的二维栅格地图，可以用来做机器人的定位与导航。三维激光SLAM构建的三维点云地图，可以用来做无人车的定位与导航，也可以用来做三维建模。视觉SLAM构建的稀疏点云地图，可以用来做定位。视觉SLAM构建的半稠密与稠密的点云地图，可以用来做定位与导航，也可以用来做VR领域的交互场景，也可以用来做三维建模。二维激光三维激光参考1、wiki–Simultaneouslocalizationandmapping2、马志艳,邵长松,杨光友,李辉.同步定位与建图技术研究进展[J].中国光学期刊2023,30(3):78-853、高翔,张涛,刘毅,等.视觉SLAM十四讲［M］.北京:电子工业出版社,2017:10-23.4、曾庆化,罗怡雪,孙克诚,李一能,刘建业.视觉及其融合惯性的SLAM技术发展综述[J].南京航空航天大学学报20225、Past,Present,andFutureofSimultaneousLocalizationAndMapping:TowardstheRobust-PerceptionAge6、EKF-SLAMAVeryQuickGuide7、吴建清,宋修广.同步定位与建图技术发展综述[J].山东大学学报2021,51(5):16-318、从零开始一起学习SLAM|学习SLAM到底需要学什么？9、如何学习SLAM（超全面）10、机器人开发–二维激光SLAM介绍11、机器人开发–Cartographer12、近十年的VI-SLAM算法综述与发展13、slam学习路线与心得总结14、SLAM学习–2D激光SLAM–入门学习15、仙知机器人|技术干货，带你了解SLAM技术的前世今生16、gradslam（∇SLAM）开源：论文、代码全都有