激光slam课程学习笔记－－第2课：2D激光slam

Posted 2022-12-06 鸿_H

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课介绍的是２Ｄ激光slam。

1. 2d激光slam的介绍

激光slam的输入：ＩＭＵ数据，里程计[可以简化理解为一种描述机器人的定位姿态信息的东西]数据，激光雷达数据

激光slam的输出：覆盖栅格地图，机器人的轨迹或pose graph

帧间匹配方法：
PI-ICP,
CSM(correlation scan math)［对初值不敏感，但是只是对一定范围进行细分但不能无限细分以节省计算量，其精度受限于最小分辨率］,

梯度优化方法[把匹配问题转换为一个非线性最小优化问题，其对初值敏感]，

state of art:CSM＋梯度优化[当前最优方式]

回环检测方法：

１）scan-to-map,
２）map-to-map,
３）branch and bound［分支与边界，其思路是，把搜索空间构造一棵树，越到下面，搜索空间划分就越细，父节点的最优得分大于子节点得分之后，若父小于子节点之和，则将整个分支截除］［这个方法可以保证回环速度］ ［ＣＳＭ］

& lazy decision［目地是避免回环出错带来的灾难性后果.回环时，若检测到相同位置，不立刻进行优化，而是多走几步再优化］［该方法可避免错误回环］

［由于２ｄ激光雷达信息比较少，回环严格，可能会导致回环失败；回环过松，可能导致回环失败］［方法３）是当前常用的方法］

2. 2d激光slam的发展

2.1 基于滤波器

a、EKF-SLAM,诞生于90年代。[当前导航使用的是栅格地图，而其构建的是特征地图，故基本被舍弃]

b、FastSLAM，诞生于02-03年

c、Gmapping，诞生于07年[栅格版本+scan match，其基于滤波器的，累计误差无法消除，所以该方式非常依赖里程计]

d、Optimal RBPF，诞生于10年[是对gmapping进行优化所得，原理是对一个粒子进行传播n次，在n次里面选择最优粒子出来作为真实传播，从而减低误差][基于滤波器的2d激光slam方法到了10年的停止发展了]

2.2 基于图优化

a、Globally Consistent Range Scan For Envionment Mapping,诞生于97年[基本框架和当前图优化论文毫无区别，采用的是非线性最小二乘，但是忽略了稀疏性]

b、Incremental Mapping of Large Cyclic Environments,诞生于99年[老师说这是一篇跨时代论文，当前2d激光slam框架都是和这篇论文基本一样，局部匹配（local scan match）+全局矫正（global correct），回环检测使用的是map-to-map，但是其也没有认识到稀疏性]

c、Karto SLAM,诞生于10年[基于CSM+SPA两篇论文产生的，跑该开源代码时容易发生崩溃，由于其SPA库有问题，但是其是第一个基于图优化的开源算法]

d、Cartographer，诞生于16年[谷歌开源，可视为是Karto SLAM的升级版本，局部子图实时构建，分阶递进方法来加速回环检测，利用图优化方法进行帧间匹配]

[老师建议，基于滤波器的slam方法不用研究了，直接搞图优化框架里面进行研究得了]

3. 2d激光slam的应用

3.1 数据预处理

[很多情况，数据处理做得好，比花一堆时间改进算法得到的效果更好]

a、轮式里程计的标定

[激光的初始解是由轮式里程计和imu给定的，所以轮式里程计的标定是非常重要的]

[轮式里程计标定一般分为，offline（出厂标定）、online（在线标定）（比如提前标定了轮子直径，满载时，轮子会被压扁的，而此时还采用原有的标定方式，会导致误差继续放大，此时就需要在线标定轮子直径以保持较高的直径精度以缓解误差）]

b、激光雷达运动的畸形去除

[畸变产生原理：由于激光是旋转产生的，过程是需要花时间的，而载体是运动的，那么产生的一圈激光必然不是闭合的]

c、不同系统之间的时间同步

[导航系统，信息流可有odom—>mcu—>主机pc，传递过程中存在时间延迟，导致系统处理时获取的数据并不符合当前状况，导致策略信息生成有错误][这就凸显了时间同步的重要性]

3.2 实际环境中问题

a、动态物体
b、环境变化
c、几何机构相似环境[激光使用的是特征点进行建图的，特征点过少，导致建图的艰难]

d、建图的操作复杂
e、全局定位[单纯靠2d激光来做全局定位，比较难，也有例子如MHT]
f、地面材质的变化[如影响轮子直径导致里程计的不准]

g、地面凹凸不平[影响里程计]
h、机器人载重的改变[影响里程计]

4. 2d激光SLAM的趋势–与视觉融合

4.1 视觉提供的信息

1）高精度的里程信息[VIO,VWO（W表示wheel）]
2）信息量丰富的视觉地图

[视觉面对白色物体，就会失效]

4.2 融合解决的问题

1）动态物体
2）环境变化
3）几何结构相似环境[视觉地图]

4）建图的操作复杂
5）全局定位[视觉地图]
6）地面材质的变化[里程信息]

7）地面凹凸不平[里程信息]
8）机器人载重的改变[里程信息]

[我们都希望多个传感器融合得到1+1>2结果，但是实际情况可能会出现<2情况，这是我们要注意的]

#####################
图片版权归原作者所有
致谢曾老师的付出

不积硅步，无以至千里
好记性不如烂笔头
感觉有点收获的话，麻烦大大们点赞收藏哈