单击上面的AI算法修炼营以标记星形或选择“顶部”
标题以下，都是干货
上一集没有更新SLAM系列的文章，但之前谈到了激光SLAM技术。 基于激光雷达的同步定位和地图构建技术(simultaneouslocalizationandmapping，SLAM )以其准确测量障碍点的角度与距离、 无须预先布置场景、可融合多传感器、 在光线较差环境工作、 能够生成便于导航的环境地图等优势，已成为当前定位方案中不可缺少的新技术
激光SLAM任务是搭载激光雷达的主体于运动中估计自身的位姿，同时建立周围的环境地图精确定位需要精确地图，精确地图需要精确定位，定位侧重自身了解，建图侧重外在了解。
有关详细信息，请参阅文章2020年最新 iPad Pro上的激光雷达是什么？来激光SLAM技术中找答案
今天我们来谈谈激光SLAM开源的比较。
1. 激光SLAM开源方案对比根据使用的数学优化框架，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
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等人提出了FastSLAM 方案，该方案为将 SLAM 问题分解成机器人定位问题和基于已知机器人位姿的构图问题，最早能够实时输出栅格地图的激光SLAM
利用粒子滤波估计机器人的姿态，利用观测模型对在各粒子用运动学模型进行传播中传播的粒子进行权重计算，根据估计的姿态构建地图。
这个剧本有两个问题。 第一，由于每个粒子包含机器人轨迹和相应的环境地图，第二，由于重采样的随机性，第三，对于大尺度环境，若里程计误差较大即预测分布与真实分布差异较大， 则需要较多粒子来表示机器人位姿的后验概率分布，严重消耗内存
为了优化FastSLAM方案，Grisetti G等人提出了随着重采样次数增多，粒子多样性散失，粒子耗散问题会严重影响地图的构建方案，以FastSLAM方案为基本原理，能在小环境中实现良好的制图效果，是目前应用最为广泛的二维激光SLAM方案
针对Gmapping ，保持粒子数相对较小，对预测分布进行采样，根据优化的扫描匹配优化姿态。 对于解决内存消耗严重问题，减少重采样次数，用一个度量来表示预测分布与真实分布的差异，差异小时不进行重采样，差异大时进行重采样。 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。 因此缓解粒子耗散问题
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Gmapping 方案非常依赖于里程计信息，构建的地图也取决于里程计的精度。。 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，作为这次真正的传播相当于http://www.Sina.com
Optimal RBPF 方案
在激光雷达领域，Lu F、Milios E等人首次提出了利用图形优化(graph-based optimization )的数学框架优化SLAM的问题
，通过非线性最wmdby乘方法来优化建图过程中累积的误差。其存在的问题在于没有认识到系统的稀疏性， 离线处理SLAM 问题。由 强健的火龙果 等人提出的图优化框架与当前的图优化框架相似，包括局部扫描匹配、全局优化、以及子图与子图的闭环检测，不足是同样没有认识到系统的稀疏性，并非实时 SLAM。
为了进一步改善前面工作的不足， Konolige K 等人提出首个基于图优化框架的开源方案 Karto SLAM，该方案认识到了系统稀疏性，在一定程度上替代了基于滤波器的激光SLAM 方案。该方案的不足是采用局部子图匹配之前都要构建子图，耗费时间较长；若采用全局匹配方法，则在搜索范围大的时候速度会变慢。
谷歌的 Cartographer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，该方案利用高斯负责的蛋挞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 hxdhm 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， hxdhm 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。
hxdhm 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 zzdxy
目标检测系列秘籍一：模型加速之轻量化网络秘籍二：非极大值抑制及回归损失优化秘籍三：多尺度检测秘籍四：数据增强秘籍五：解决样本不均衡问题秘籍六：Anchor-Free视觉注意力机制系列Non-local模块与Self-attention之间的关系与区别？视觉注意力机制用于分类网络：SENet、CBAM、SKNetNon-local模块与SENet、CBAM的融合：GCNet、DANetNon-local模块如何改进？来看CCNet、ANN语义分割系列一篇看完就懂的语义分割综述最新实例分割综述：从Mask RCNN 到 BlendMask超强视频语义分割算法！基于语义流快速而准确的场景解析CVPR2020 | HANet:通过高度驱动的注意力网络改善城市场景语义分割基础积累系列卷积神经网络中的感受野怎么算？图片中的绝对位置信息，CNN能搞定吗？理解计算机视觉中的损失函数深度学习相关的面试考点总结自动驾驶学习笔记系列 Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位 Apollo Udacity自动驾驶课程笔记——感知、预测 Apollo Udacity自动驾驶课程笔记——规划、控制自动驾驶系统中Lidar和Camera怎么融合？竞赛与工程项目分享系列如何让笨重的深度学习模型在移动设备上跑起来基于Pytorch的YOLO目标检测项目工程大合集目标检测应用竞赛：铝型材表面瑕疵检测基于Mask R-CNN的道路物体检测与分割SLAM系列视觉SLAM前端：视觉里程计和回环检测视觉SLAM后端：后端优化和建图模块视觉SLAM中特征点法开源算法：PTAM、ORB-SLAM视觉SLAM中直接法开源算法：LSD-SLAM、DSO视觉SLAM中特征点法和直接法的结合：SVO2020年最新的iPad Pro上的激光雷达是什么？来聊聊激光SLAM