基于3D激光雷达的SLAM算法研究现状与发展趋势

即时定位与地图构建(simultaneous localization and mapping, SLAM)算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点,广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及,国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。梳理了3D激光SLAM算法在前端数据关联、后端优化等环节的国内外研究现状,分析总结了目前各种3D激光SLAM算法以及改进方案的原理和优缺点,阐述了深度学习和多传感器融合理论与技术在3D激光SLAM算法中的应用情况,指出多源信息融合、与深度学习结合、应用场景的鲁棒性、 SLAM算法通用框架及移动传感器和无线信号体制的技术渗透是3D激光SLAM算法的研究热点和发展趋势。研究成果对3D激光SLAM算法和未知环境中移动机器人即时定位和地图构建的研究具有重要的参考价值和指导意义。     

基于激光雷达和视觉融合的机器人SLAM应用研究

通过研究激光雷达和视觉传感器融合SLAM,实现双目视觉传感器对单线激光雷达点云的补充,以提高建图精度。实现方案以2D激光雷达点云数据为主,双目视觉传感器作为激光雷达点云盲区的补充,搭建SLAM实验平台,完成机器人实时地图构建并获取当前位置信息,同时降低携带传感器的成本。     

两种基于激光雷达的SLAM算法最优参数分析

激光雷达是移动机器人同步定位与地图构建(SLAM)的重要模块.对目前主流的基于激光雷达的SLAM方法(Gmapping和Hector SLAM)进行研究,借助开源机器人操作系统(ROS),在自主研发的移动机器人平台上配备激光雷达,实现了不同参数配置下两种算法的地图构建.实验为参数最优配置指明了方向,且证明了Hector SLAM的整体构图精度高于Gmapping,但对参数配置要求较高.     

激光雷达运动畸变去除的算法设计

近年来,激光雷达的同时定位和地图构建(SLAM)算法发展相对成熟。然而,移动底盘与激光雷达作为激光SLAM系统的主要传感器,当传感器的精度降低时,将会影响机器人定位的准确度与构建地图的效果。因此,针对精度低的激光雷达快速运动时而产生的畸变,论述了轮式里程计的辅助算法。由于轮式里程计的辅助方法是位置线性假设,因此导致该算法在地图构建精度方面存在不足。针对位置线性假设没有误差线性假设合理的问题,提出了轮式里程计和迭代最近点(ICP)方法的融合。采用智能小车在室内进行移动构建环境地图。试验结果表明,轮式里程计和ICP方法融合的算法能够有效地提高定位的精度和地图构建的准确性。     

基于2D激光雷达的SLAM算法研究综述

移动机器人导航功能的实现需要同时定位与建图(simultaneous localization and mapping,SLAM)和路径规划这两方面的技术,其中由SLAM技术生成的栅格地图是移动机器人运用路径规划算法的前提。2D激光SLAM由于其建图精度较高、性能稳定且价格便宜,在室内移动机器人中应用十分广泛。2D激光SLAM是指移动机器人在自身所处环境及位置先验信息未知的情况下,以2D激光雷达为主要传感器,感知周围环境信息,从而实现自身位姿的估计和地图的构建。将2D激光SLAM分为两部分,第一部分从激光测距原理入手,对三角法和飞行时间法进行了详细介绍和优缺点比较。第二部分从前端扫描匹配、后端优化、回环检测和地图构建这四个方面分别详细阐述了2D激光SLAM系统框架。同时对主流2D激光SLAM算法进行了深入分析和优缺点比较,并对激光SLAM未来的发展进行了展望。     

基于激光雷达与双目视觉的移动机器人SLAM研究

为解决移动机器人在环境未知条件下,利用单一传感器自主导航时不能及时定位、构建地图不精确的问题,提出采用一种改进RBPF算法,在计算提议分布时将移动机器人的观测数据(视觉信息与激光雷达信息)和里程计信息融合;针对一般视觉图像特征点提取算法较慢的问题,采用基于ORB算法对视觉图像进行处理以加快视觉图像处理速度的方法;最后通过在安装有开源机器人操作系统(ROS)的履带式移动机器人进行实验,验证了采用该方法可构建可靠性更高、更精确的2D栅格图,提高了移动机器人SLAM的鲁棒性.     

移动机器人同步定位与建图技术综述

同步定位与建图技术(SLAM)一直是移动机器人领域比较热门的研究方向,它可以给机器人提供强大的环境感知能力;传统的依靠外部位置参考来定位的方法如果无法获得时,移动机器人需要即时定位自身位置来构建增量式地图,因此SLAM技术也就应运而生;对激光SLAM和视觉SLAM的研究现状及最新标志性成果进行了介绍,重点对以相机与激光雷达融合、相机与IMU融合、激光雷达与IMU融合为代表的多传感器融合SLAM技术展开讨论、系统地梳理了几种融合方式的优势与不足,同时介绍了该领域的研究热点语义SLAM,最后讨论了SLAM技术在该领域未来的发展方向以及存在的挑战。     

基于激光雷达增强的视觉SLAM多机器人协作地图构建方法的研究

针对光线强度对机器人视觉同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）建图信息量、时效性和鲁棒性影响大的问题,提出一种基于激光雷达（Light Detection And Ranging,LiDAR）增强的视觉SLAM多机器人协作地图构建方法。在地图构建过程中,将LiDAR深度测量值集成到现有的特征点检测和特征描述子同步定位与地图构建（Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping,ORB-SLAM3）算法中,利用改进的扩展卡尔曼滤波算法将激光雷达的高精度数据和视觉传感器的时序信息融合在一起,获得单个机器人的位姿状态,结合深度图进行单个机器人稠密点云地图的构建;利用关键帧跟踪模型和迭代最近点（Iterative Closest Point, ICP）算法得到存在共识关系的机器人之间的坐标转换关系,进而得到各机器人的世界坐标系,在世界坐标系中实现多机器人协作地图的融合与构建。在Gazebo仿真平台中实验验证了方法的时效性和鲁棒性。     

室内移动机器人的SLAM算法综述

SLAM(Simultaneous Localization and Mapping),即同时定位与地图构建,目前被广泛应用于机器人领域.SLAM算法使得机器人处于陌生环境时,能够通过自身搭载的传感器来感知环境信息并建立环境地图,并完成对自身位姿的计算,从而能够在未知环境中进行移动.随着研究者们对SLAM问题的深入研究,SLAM领域相关成果已非常丰富,但是有关室内场景SLAM的论述还不够系统.通过对现有的关于SLAM算法发展成果的总结和对比,对室内SLAM进行了综合性的阐述.首先介绍了SLAM的技术现状和室内场景SLAM在不同传感器下的分类问题;其次介绍了SLAM的经典框架;然后根据相关传感器种类的不同,简要介绍了不同传感器下常见的SLAM算法的原理,同时讨论了传统室内SLAM算法中存在的诸多局限性问题,引出了基于多传感器融合技术的SLAM和基于深度学习技术的SLAM两个研究方向;最后介绍了SLAM的未来发展趋势和应用领域.     

基于SLAM技术在视障人群视觉辅助领域应用研究

针对多传感器融合激光SLAM技术及其发展进行了简要介绍,分析了视觉SLAM系统的关键问题以及在视障辅助实际应用中的难点,研究利用多传感器融合技术进行地图构建了从而减小单一传感器探测误差的方法,并对激光SLAM技术在视障辅助领域的未来进行了展望.     

基于轮式机器人的实时3D栅格地图构建

移动机器人在各种任务中需要进行建图、定位和路径规划，但是目前的视觉SLAM只能输出相机的运动轨迹图，而不能生成用于路径规划和导航的地图。因此，在ORB_SLAM2的基础上，与RGB-D相机相结合，提出了一种实时3D栅格地图构建算法。建立了一个逆传感器模型（Inverse Sensor Model，ISM）；针对ISM模型，重新构建了3D栅格地图的算法；联合ORB_SLAM2进行数据集实验、仿真环境实验和实时构建实验。经实验验证，该算法能够利用ORB_SLAM2实时构建出具有尺度的3D栅格地图，且能够清晰地显示障碍物位置，验证了该算法的有效性。     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

多机器人协同SLAM技术研究进展

由于单机器人同步定位与建图（SLAM）技术在实际应用中的局限性,多机器人协同SLAM技术以较强的灵活性和鲁棒性受到研究人员的广泛关注,并且在农业生产、环境监测、海上搜救等领域具有巨大应用前景。多机器人协同SLAM是多机器人协同工作的核心及大范围复杂环境内及时获得场景感知信息的关键,能使多个机器人在协同工作时共同定位并构建任务空间地图,主要基于单机器人SLAM算法、多机器人系统架构、地图融合等技术实现。结合多机器人协同SLAM的发展历程,对比分析当前主流的多机器人协同SLAM算法。从传感器的角度,将多机器人协同SLAM分为激光协同SLAM、视觉协同SLAM以及激光视觉融合协同SLAM三类,并对多机器人协同SLAM的架构选择、多机通信、相对位姿、地图融合和后端优化问题进行讨论,同时指出异构机器人协同、基于深度学习的语义SLAM是多机器人协同SLAM的未来发展趋势。     

低成本移动机器人2D SLAM算法地图评估研究

随着传感器技术的发展,移动机器人得到了广泛的应用.用于绘制环境地图的2D SLAM技术是移动机器人领域重要的技术之一,选出适合低成本机器人的算法对机器人的发展和普及至关重要.提出在仿真环境和实际场景下运行广泛使用的四种开源算法:Gmapping、Hector SLAM、Karto SLAM和Google Cartographer,并对它们生成的地图进行了评估.提出五个用于评估地图的指标,即:ND、MSE、SSIM、Proportion和SLS.实验和评估结果表明,四种算法都成功创建了地图,相比于其它算法,Google Cartographer和Gmapping鲁棒性较好,且生成地图最完整、与地面实况图差异较小.     

复杂环境中的无人车多传感器紧耦合SLAM方法

提出了一种多传感器信息紧耦合的无人驾驶车辆SLAM方法—Ligom,此方法在复杂环境中，可以实现无人驾驶车辆状态的实时估计与环境地图的构建。Ligom基于迭代扩展卡尔曼滤波(iEKF)理论设计，融合了惯性测量单元(IMU)、全球导航卫星系统(GNSS)、激光雷达(Lidar)与相机(Camera)等不同传感器。首先利用IMU预测车辆的先验状态与消除点云畸变，并使用滑动窗口方法保存点云特征以提高点云匹配精度；然后，通过对GNSS信息作初始化与坐标系变换，分别完成滤波更新得到后验状态；最后在后端环节引入关键帧进行状态优化与反馈更新，构建全局环境点云地图。此外，利用Camera-Lidar联合检测的多目标检测与跟踪算法，完成全局桩桶地图的构建。Ligom在四个不同平台与环境采集的数据集上进行了充分验证。     

多源融合SLAM的现状与挑战

同时定位与地图构建（simultaneous localization and mapping,SLAM）技术在过去几十年中取得了惊人的进步,并在现实生活中实现了大规模的应用。由于精度和鲁棒性的不足,以及场景的复杂性,使用单一传感器（如相机、激光雷达）的SLAM系统往往无法适应目标需求,故研究者们逐步探索并改进多源融合的SLAM解决方案。本文从3个层面回顾总结该领域的现有方法：1）多传感器融合（由两种及以上传感器组成的混合系统,如相机、激光雷达和惯性测量单元,可分为松耦合、紧耦合）;2）多特征基元融合（点、线、面、其他高维几何特征等与直接法相结合）;3）多维度信息融合（几何、语义、物理信息和深度神经网络的推理信息等相融合）。惯性测量单元和视觉、激光雷达的融合可以解决视觉里程计的漂移和尺度丢失问题,提高系统在非结构化或退化场景中的鲁棒性。此外,不同几何特征基元的融合,可以大大减少有效约束的程度,并可为自主导航任务提供更多的有用信息。另外,数据驱动下的基于深度学习的策略为SLAM系统开辟了新的道路。监督学习、无监督学习和混合监督学习等逐渐应用于SLAM系统的各个模块,如相对姿势估计、地图表示、闭环检测和后端优化等。学习方法与传统方法的结合将是提升SLAM系统性能的有效途径。本文分别对上述多源融合SLAM方法进行分析归纳,并指出其面临的挑战及未来发展方向。     

视觉SLAM研究进展

视觉SLAM是指相机作为传感器进行自身定位同步创建环境地图。SLAM在机器人、无人机和无人车导航中具有重要作用,定位精度会影响避障精度,地图构建质量直接影响后续路径规划等算法的性能,是智能移动体应用的核心算法。本文介绍主流的视觉SLAM系统架构,包括几种最常见的视觉传感器,以及前端的功能和基于优化的后端。并根据视觉SLAM系统的度量地图的种类不同将视觉SLAM分为稀疏视觉SLAM、半稠密视觉SLAM和稠密视觉SLAM 3种,分别介绍其标志性成果和研究进展,提出视觉SLAM目前存在的问题以及未来可能的发展。     

多机器人同步定位与地图构建的地图融合算法的改进

本文主要研究了多机器人同步定位与地图构建(SLAM)的地图实时融合问题.在本文中提出一种混合的SLAM算法(HybridSLAM)算法,可以同时观测和更新多个路标,并根据FastSLAM2.0思想利用选取的最准确的路标观测值来修正机器人位姿.然后,在改进HybridSLAM算法基础上,进一步提出一种改进的多机器人HybridSLAM算法(MR–IHybridSLAM).每个机器人在不同初始位置运行IHybridSLAM算法构建子地图,并将子地图信息实时发送到同一工作站中.根据卡尔曼滤波(KF)原理将每个机器人构建的子地图融合成全局地图.最后,通过仿真实验构建多机器人融合的特征地图并与单一机器人快速的SLAM算法(FastSLAM)和HybridSLAM算法构建的地图进行误差对比,进一步来验证该算法的准确性、快速性和可行性.     

激光和视觉融合SLAM方法研究综述

激光和视觉传感器在SLAM应用中都有其局限性，基于激光和视觉传感器融合的SLAM方法能够有效的利用各个传感器的优势，弥补传感器在某些特殊环境下的劣势，成为当前研究的热点之一；在分析激光SLAM和视觉SLAM优缺点的基础上，对激光和视觉融合的SLAM方法的研究现状进行概括和总结；介绍了激光和视觉融合SLAM的主要标志性成果，总结了激光和视觉传感器融合SLAM的关键性问题，包括激光和视觉传感器数据的外部标定、激光和视觉传感器数据融合方法，对激光和视觉融合SLAM方法的优缺点和主要的应用领域进行了总结；最后，对激光和视觉融合SLAM的主要发展趋势及研究热点进行了讨论。     

一种多层次数据融合的SLAM定位算法

针对2D激光SLAM(同步定位和地图构建)机器人导航中激光点云匹配计算量大、轨迹闭合效果差、位姿累积误差大、以及各环节传感器观测数据利用不充分等问题,提出一种基于多层次传感器数据融合的实时定位与建图方法——Multilevel-SLAM.首先,在数据预处理方面,利用IMU(惯性测量单元)数据预积分结果为激光点云配准提供坐标转换依据.对激光点云进行特征采样,降低点云匹配计算量.其次,通过无迹卡尔曼滤波算法融合IMU、LiDAR(激光雷达)观测量得到机器人位姿,来提高闭环检测效果.最后,将激光点云配准约束、闭环约束、IMU预积分约束加入到SLAM算法的后端优化中,对全局地图位姿节点估计提供约束配准,实现多层次的数据融合.在实验中利用LiDAR-IMU公开数据集对Karto-SLAM、Cartographer和Multilevel-SLAM算法进行性能测试对比.Multilevel-SLAM算法的定位精度始终保持在5 cm以内,而对比方法则存在不同程度的定位偏移.实验结果表明,在没有显著增加计算量的前提下,Multilevel-SLAM算法有效提高了闭环处的轨迹闭合效果,具有更低的定位误差.