激光slam课程学习笔记－－第１课：激光slam的发展和应用

Posted 2022-12-07 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。这节课介绍的是激光slam的发展和应用。

1.　slam是什么

1.1　slam的定义

localization:在给定地图的情况下，估计机器人的位姿

mapping:在给定机器人位姿的情况下，估计环境地图

slam:同时估计机器人的位姿和环境地图

1.2　slam解决的问题

机器人在环境中的位姿

导航过程中需要的环境地图

2.　slam的分类

部分术语解析：

metrical map: 尺度地图

topological map:拓扑地图，适用于环境比较大

hybrid map:混合地图

bayesian filters：贝叶斯滤波器

graph-based:基于图形化

2.1 基于图优化的slam

使用图grap来表示slam的过程，node表示机器人的位姿，edge表示节点之间的空间约束关系

[上图，ｘ表示机器人位姿节点]

graph construction(front-end):前端，表示构图过程

graph optimization(back-end):后端，表示优化过程，目的将累计误差降到０

2.2 基于滤波器的slam

基于滤波器的slam,只是考虑当前时刻位姿，不用计算之前位姿，从而使得计算量比较少；但是，这会导致一个致命的问题，由于在slam过程中，不可避免产生累计误差，而对于之前产生的累计误差，基于滤波器slam是无法修复该误差的.

典型的基于滤波器slam的算法，gmapping.

滤波器slam的流程跟贝叶斯估计过程一致，大概可分为六步：状态预测，测量预测，进行测量，数据关联，状态更新，地图更新

3. slam的框架

特点：

传感器：惯性测量单元（imu）［一般用于计算角度］,轮式里程计(wheel odometry)［一般用于计算距离］,激光雷达（lidar）［前面两者搭配此，组成激光slam］

地图类型：覆盖栅格地图（occupany grid map）[应用更广泛，由于其对环境做了鲜明的区分],点云地图

4.　激光slam

4.1　激光slam帧间匹配算法

1)icp(iterative closest point)[点对点迭代最近匹配，匹配时有可能产生误差，由于激光的不连续造成]

2)pi-icp(point-to-line iterative closest point)［点对线迭代最近匹配，实际使用效果比１)的好］

3)ndt(normal distribution transfomation)［把地图视为很多高斯分布集合，利用高斯分布的方法来做匹配，应用比较少］

4)csm(correlation scan match)［相关匹配，注意csm也可认为是２)的匹配方法的称呼，但是这里特指相关匹配方法，其原理为暴力搜索，所以导致计算量比较大］

4.2　激光slam回环检测

1)scan-to-scan［这种方法基本淘汰了，由于激光的信息量过少，采用该方法容易出错］

2)scan-to-map［应用比较广泛，其利用当前帧信息对比历史数据进行检测］

3)map-to-map［利用当前最近的ｎ帧激光信息组成的子图，将子图和过去的地图进行匹配］［老师推荐这种方法，由于激光的信息量比较少，导致前面两者方法容易出错］

#####################
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