激光即时定位与建图算法综述

激光即时定位与建图(SLAM)算法是一种在机器人导航和自主驾驶领域被广泛应用的技术;该技术可以利用激光雷达扫描环境并提取特征点,实现机器人的自主定位和地图构建;针对机器人激光SLAM技术进行研究,分析了各个激光SLAM算法的基本原理,并且对主流SLAM算法进行了现状总结;根据激光SLAM算法的特点以及原理不同,将激光SLAM算法分为：基于滤波器的算法、基于图优化的算法、基于配准的算法、基于学习的算法等;基于上述分类,详细介绍了每个算法的优缺点,并且分述了近两年的主要研究成果;针对移动机器人激光SLAM算法研究现状,对激光SLAM算法的未来发展进行了展望。     

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。     

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SLAM的移动机器人避障研究

随着人工智能理论的成熟和算力的不断提高,移动机器人具有更加广阔的发展空间。作为移动机器人的核心算法——同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术是一种移动机器人在陌生环境下实现自身实时定位和环境建图的重要方法。相对于其他SLAM方法,基于激光信息的SLAM在构建地图时,距离测量比较准确、误差模型简单,在强光直射以外的环境中运行稳定,可以提高移动机器人在不同环境下的自主避障能力。因此,本文基于激光SLAM对路径规划算法进行研究、优化定位和导航技术,以期提高在实际环境下移动机器人的自主避障效率。     

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。     

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。     

移动机器人视觉惯性SLAM研究进展

在研究领域,基于滤波和基于优化是两种实现视觉惯性SLAM(同时定位与地图创建)的主导方法.本文基于这两种方法介绍视觉惯性SLAM,说明了视觉惯性SLAM的最新研究进展和关键问题,对比了几种代表性的视觉惯性SLAM框架,并对未来进行了展望.     

激光雷达SLAM算法综述

即时定位与地图构建（simultaneous localization and mapping,SLAM）是自主移动机器人和自动驾驶的关键技术之一，而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法，对激光雷达SLAM总体框架进行介绍，详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法；按由2D到3D，单传感器到多传感器融合的顺序，对经典的具有代表性的开源算法进行描述和梳理归纳；介绍常用的开源数据集，以及精度评价指标和测评工具；从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。     

基于集成式因子图优化的煤矿巷道移动机器人三维地图构建

煤矿井下移动机器人作业精度严重依赖于同步定位与建图(SLAM)技术的准确性。井下长直巷道存在特征缺失、光照条件差等问题,导致激光里程计和视觉里程计易失效,因而限制了传统SLAM方法在煤矿巷道的有效应用,且目前SLAM方法的研究主要聚焦于多传感融合建图方法,较少关注激光SLAM方法建图精度的提升。针对上述问题,面向移动机器人在煤矿巷道的建图需求,提出了一种基于集成式因子图优化的煤矿巷道移动机器人三维地图构建方法,采用前端构建和后端优化的策略,设计了前端点云配准模块和基于滤波、图优化的后端构建方法,使建图结果更准确、适应性更强。针对煤矿长直巷道环境退化导致三维激光点云配准精度低的问题,融合迭代最近点(ICP)和正态分布变换(NDT)算法,兼顾点云几何特征和概率分布特征,设计了集成式前端点云配准模块,实现了点云的精确配准。针对三维激光SLAM后端优化问题,研究了基于位姿图和因子图优化的后端构建方法,构建了集成ICP和NDT相对位姿因子的因子图优化模型,以准确估计移动机器人位姿。分别利用公开数据集KITTI和模拟巷道点云数据集对三维地图构建方法在不同工况下的性能进行了实验验证。公开数据集KIT...     

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。     

基于单目视觉的同时定位与建图算法研究综述*

与传统基于激光传感器的同时定位与建图（SLAM）方法相比,基于图像视觉传感器SLAM方法能廉价的获得更多环境信息,帮助移动机器人提高智能性。不同于用带深度信息的3D传感器研究SLAM问题,单目视觉SLAM算法用二维图像序列在线构建三维环境地图并实现实时定位。针对多种单目视觉SLAM算法进行对比研究,分析了近10年来流行的单目视觉定位算法的主要思路及其分类,指出基于优化方法正取代滤波器方法成为主流方法。从初始化、位姿估计、地图创建、闭环检测等功能组件的角度分别总结了当下流行的各种单目视觉 SLAM 或Odometry系统的工作原理和关键技术,阐述它们的工作过程和性能特点。总结了近年最新单目视觉定位算法的设计思路,最后概括指出本领域的研究热点与发展趋势。     

点云片段匹配约束和轨迹漂移优化的回环检测方法

基于三维点云的同时定位与建图(simultaneous localization and mapping, SLAM)是机器人导航与定位领域重要的技术之一.然而具有回环检测功能的三维点云SLAM系统仍鲜见于文献中.本文首先提出了一种新的基于三维点云的室外SLAM系统的框架,该框架由里程计、回环检测、位姿优化3部分组成.其次针对回环检测,提出一种基于点云片段匹配约束的方法提升回环检测的效率.最后针对位姿优化,提出两种轨迹漂移优化算法,分别为全局一致性的回环调整算法和位姿预测和补偿算法.通过广泛的实验验证本文提出的方法,结果表明本文所提出的SLAM系统具有稳定和精确的位姿估计能力.     

单机器人SLAM技术的发展及相关主流技术综述

从主要依据的输入传感器信号入手,将目前单机器人SLAM技术分为基于距离传感器和基于视觉传感器两大类,从起源、发展、最新技术及应用分别对这两类SLAM技术做了发展历程分析。总结了现有主流技术的研究框架,对基于距离传感器的主流技术EKF-SLAM、PF-SLAM、Fast SLAM的研究内容,基于视觉传感器的主流技术特征法、直接法、RGB-D SLAM、深度学习SLAM的研究内容进行综述,总结了每种技术的运行机制、优缺点和适宜场景,并预测SLAM技术的未来发展方向。     

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。     

基于视觉语义与激光点云交融构建的SLAM算法

激光雷达作为同时定位与地图构建(SLAM)传感器之一,因精度高、性能稳定等特点而被广泛研究使用.但其获得的点云数据较稀疏,包含特征信息少,会导致误匹配、位姿估计误差大等问题,影响SLAM的定位和建图精度.对此,提出一种将视觉语义信息与激光点云数据融合的SLAM算法(VSIL-SLAM).首先,基于投影思想将聚类后的点云映射到语义检测框内,生成语义物体,解决原始激光点云特征稀缺问题;然后,在形状特征的基础上引入拓扑特征对语义物体进行表述,提出基于匹配的拓扑相似性度量方法,解决单一特征造成的误匹配问题,提高匹配准确度;最后,加入语义物体点到点的几何约束,基于几何特征和语义物体构建前端里程计,并完成后端回环检测和位姿图优化设计.实验结果表明,所提出算法在定位和建图效果上都有显著提高,改善了激光SLAM算法的性能.     

扫地机器人增强位姿融合的Cartographer算法及系统实现

Cartographer是谷歌在2016年开源的一个可以在多传感器配置下实现低计算资源消耗的SLAM算法框架.针对原有Cartographer中位姿融合不准确、存在延迟的问题,首先设计了一种基于位姿增量的多传感器位姿融合方法;随后,针对扫地机器人Player平台,设计并实现了基于增强Cartographer算法的多模块SLAM系统;最后,通过Cartographer数据集的实验分析和真实场景的实际测试,验证了增强Cartographer算法的有效性以及SLAM系统在Player机器人平台上的可用性.     

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.