单击上面的“3D视觉工作室”，然后选择“星形标记”
干货在第一小时送到
导读
激光SLAM比视觉SLAM研究时间更长，在理论、技术、产品落地方面更成熟。 对于机器人和自动驾驶企业来说，激光SLAM仍然是目前最稳定、最主流的定位导航方法。 本文介绍了激光SLAM的典型方案和未来发展趋势，并推荐收藏~
上一个故事
好久没有看到SLAM系列的报道了，之前谈到了激光SLAM技术。 基于激光雷达的同步定位和地图构建技术(simultaneouslocalizationandmapping，SLAM )可以精确测量故障点的角度和距离，无需事先布置场景，可以融合多传感器，光线弱
激光SLAM任务是让搭载激光雷达的主体在运动中估计自身的姿态，同时绘制周围的环境地图。 正确定位需要正确的地图，正确的地图来自正确的定位，定位侧重于自己的理解，施工图侧重于外部的理解。
具体细节请参考文章。 2020年最新iPad Pro搭载的激光雷达是什么？ 用激光SLAM技术找到答案
今天我们来谈谈激光SLAM开源的比较。
01
激光SLAM开源方式的比较
根据采用的数学优化框架，激光SLAM大致分为基于滤波器(Filter-based )和基于图表的优化(Graph-based )激光SLAM。
1.1 基于滤波器的激光SLAM方案
Smith R等人提出的扩展卡尔曼滤波SLAM方案(EKF-SLAM )采用最大似然算法进行数据关联，但该方案的缺点是计算量复杂、鲁棒性差，构建的地图不是网格地图，而是特征地图
针对EKF-SLAM方案的不足，Montemerlo M等人将SLAM问题分解为机器人定位问题和基于已知机器人姿态的构图问题，提出了第一个能够实时输出网格地图的激光SLAM方案FastSLAM方案。
利用粒子滤波估计机器人姿态，通过运动学模型传播各粒子，利用观测模型对传播的粒子进行权重计算，根据估计的姿态构建地图。
这个提案有两个问题。 第一，由于各粒子包含与机器人轨迹对应的环境地图，所以在大规模的环境中，如果测距仪的误差大，即预测分布与真实分布之差大，则表示机器人的姿势的后验概率分布中需要很多粒子，大幅消耗存储器； 第二，由于重采样的随机性，随着重采样次数的增加，粒子多样性丧失，粒子耗散问题严重影响地图的构建。
为了优化快速灌篮方案，Grisetti G等人提出了一种g映射方案，以快速灌篮方案为基本原理，能够在较小的环境中实现较好的渲染效果，是目前应用最为广泛的二维激光灌篮方案。
为了解决内存消耗的关键问题，将粒子数量保持在相对较小的值，对预测分布进行采样，并根据优化的扫描匹配优化姿态。 为缓解粒子耗散问题，减少重采样次数，用一个尺度表示预测分布与真实分布的差异，差异小时不重采样，差异大时重采样。 该方案之所以不足，是因为里程表模型传播时，对所有粒子都同等对待，优秀粒子在传播时可能成为不良粒子，粒子老化问题严重。 因此，g映射方案非常依赖里程表信息，构建的地图也依赖里程表的精度。
针对g映射方案的不足，Blanco J L等人在2010年提出了更加优化的最优rbpf方案。 这是在里程表模型传播时，每传播一个粒子就得到n个粒子，从n个粒子中选择最佳粒子。 这次真正的传播相当于给每个粒子n次机会，大幅减少最佳粒子恶化为噪声大的粒子的情况。
1.2 基于图优化的激光SLAM方案
在激光雷达领域，Lu F、Milios E等人首次利用图形优化(graph-based optimization )的数学框架对SLAM问题进行优化，利用非线性、最诚实的汉堡乘法对绘图中累积的误差进行优化问题是不知道系统的稀疏性，脱机处理SLAM问题。
happertalt等人提出的图优化框架与当前的图优化框架类似，包括局部扫描匹配、全局优化以及局部图和局部图的闭环检测，但同样不知道系统的稀疏性
为了进一步改善前面工作的不足，Konolige K等人提出了基于第一个图优化框架的开源方案Karto SLAM。 该方案识别了系统的稀疏性，在一定程度上替代了基于滤波器的激光SLAM方案。 该方案的不足在于采用部分子图进行匹配前必须构建子图，需要时间； 如果采用全局匹配方法，搜索范围大时速度会变慢。
谷歌的Cartograp
her开源方案，是对 Karto SLAM 的优化方案， 核心内容是融合多传感器数据的局部子图创建以及用于闭环检测的扫描匹配策略。该方案中前端扫描匹配算法是结合 CSM 与梯度优化来实现的。在生成一个子地图后，会进行一次局部的闭环检测；当全部子地图构建完成后，利用分枝定界和预先计算的网格的算法，进行全局闭环检测，从而保证闭环检测的速度。该方案的不足是没有对闭环检测结果进行验证， 在几何对称的环境中，容易引起错误的闭环。
另外， Kohlbrecher S 等人提出了 Hector-SLAM 方案，该方案利用高斯落后的朋友方法解决前端扫描匹配问题，把每一帧采集到的激光雷达数据和地图进行匹配，该方案仅有前端扫描匹配的模块，无后端优化的过程。与 Gmapping 方案最大的区别在于不需要里程计数据，里程计信息通过激光雷达数据估算出来， 所以对传感器的测量频率要求较高。在 ROS仿真环境中运行 Hector-SLAM 方案， 若机器人速度过快尤其是在强旋转的时候， Hector-SLAM 方案会发生漂移现象。在真实环境中，由于周围特征点能够辅助机器人定位和建图，构建的栅格地图会比仿真环境中效果好。Hector-SLAM 方案的缺点是对初值敏感，同时难以处理闭环问题。Hector-SLAM 的整体建图精度高于Gmapping，但对参数配置要求较高。Hector -SLAM 适用于对地图要求较高的场合， Gmapping 易用性更好。
在 3D 激光 SLAM 领域中， 由 傻傻的音响 等人提出的LOAM 方案，利用 3D 激光雷达采集数据， 进行基于特征点的扫描匹配， 利用非线性优化方法进行运动估计， 激光里程计的输出与地图进行匹配， 包括直线匹配和平面匹配， 无回环检测模块，点面特征还不够可靠。
为了进一步改进 LOAM 方案的， 傻傻的音响 等人提出视觉结合 3D 激光雷达实时建图的 V-LOAM 方案。利用视觉里程计以高频率估计位姿变换，激光里程计以低频率优化运动估计，并校准漂移。在公开的 KITTI 数据集上，V-LOAM 算法精度排名第一， 而且当传感器高速运动并受到明显的光照变化时，该方法的鲁棒性较好。
傻傻的音响 等人提出了一种用于自我运动估计和建图的数据处理方案 LVIO。该方案连接 3D 激光扫描仪， 相机和 IMU，顺序多层运行三个模块以产生实时自我运动估计。粗到精数据处理产生高速率估计并在长距离中构建低漂移的地图。
几种激光SLAM算法对比：
面对复杂的周围环境，多传感器融合的SLAM是必然趋势。视觉会提供高精度的里程计以及信息量丰富的地图信息，激光雷达为视觉特征提供准确的深度信息。SLAM算法的鲁棒性与实时性有待进一步提高。在提高SLAM算法鲁棒性方面，需要考虑里程计的标定、激光雷达的外参与时间戳标定、激光雷达运动畸变的去除等数据处理过程，同时针对退化环境、全局定位、动态环境定位等问题还有待完善。
参考：
1. Montemerlo M, Thrun S, Koller D, et al. FastSLAM: a factored solution to the simultaneous localization and mapping problem [C]//Proc of the AAAI National Conference on Artificial Intelligence.California: AAAI press, 2002: 593-598.
2. Grisetti G, Stachniss C, Burgard W. Improved techniques for grid mapping with Rao-Blackwellized Particle Filters [J]. IEEE Trans on Robotics, 2007, 23 (1): 34-46.
3. 《激光SLAM理论与实践》深蓝学院 ljdxrk
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的pddct聚集区，近3000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~