浦京集团(3522-vip认证)官方网站-Best App Store

 SLAM，中文译为同时定位与地图构建技术，它是指搭载激光雷达传感器或者相机的机器人，在没有环境先验信息的情况下，在运动的过程中构建环境的模型，同时估计自己的运动，其目的是实现移动机器人平台在未知环境中，通过激光雷达或者相机实时采集环境信息构建环境地图。其中根据搭载传感器的不同可分为激光SLAM和视觉SLAM，常用的SLAM传感器。激光SLAM相对于视觉SLAM数据处理相对简单，在理论研究和应用实践方面更加成熟，因此激光SLAM可靠性更高，并且已在相关领域得到的应用。同时，根据优化方法的不同，可分为基于粒子滤波的SLAM和基于图优化方法的SLAM。

SLAM概念最早由R. Smith，M. Self和P. Cheeseman提出，其利用扩展卡尔曼滤波器（Extended Kalman Filter，EKF）的方法来计算机器人的位姿同时估计环境信息特征。Montemerlo等人将Rao-Blackwell粒子滤波（Rao-Blackwell Particle Filter，RBPF）应用于SLAM，提出了Fast-SLAM算法，Fast-SLAM相对于EKF-SLAM既提高了鲁棒性，又降低了算法的复杂性。Julier等人提出无迹卡尔曼滤波（Unscented Kalman Filter，UKF）方法，用于解决EKF对非线性系统线性化时估计不一致的问题。Blanco等人提出了自适应的Rao-Blackwell粒子滤波方法可有效解决使用粒子滤波过程中存在的粒子退化的问题。Hyunhuk等人在EKF的基础上提出几何匹配方法和迭代最接近点的匹配算法，有效地提高了构图和定位的精度。由于基于粒子滤波在大面积环境应用时存在较大误差的问题，因此基于图优化方法的SLAM被越来越多的学者所关注。K. Konolige等人以Levenberg-Marquardt算法为框架，利用矩阵的稀疏性加速求解位姿，并发展出基于此理论的Karto-SLAM算法，从而开启了图优化方法应用于SLAM的先河。S. Kohlbrecher等人利用迭代最近点（Iterative Closest Point，ICP）算法来处理雷达数据数据帧的匹配问题。W. Hess等人提出使用分支绑定的方法解决子图映射在全局地图上的问题，提高了收敛速度，且能解决大环境下的SLAM问题，在此理论基础上开发出的Cartographer算法已得到了广泛的应用。

国内的SLAM近年来取得较大的研究进展。在基于滤波方法的SLAM研究方面，针对利用EKF-SLAM构建地图时存在累计误差以及传感器采集数据时的噪声导致的误差等问题，西南交通大学的杨得志等人提出在经典EKF算法中加入自适应渐消因子的SLAM算法，通过实时调整运动估计值和减小传感器的测量信息的影响，以达到提高算法精度和鲁棒性的目的。河海大学的王秉洲等人针对Fast-SLAM算法中存在粒子退化的问题，基于Fast-SLAM算法中采用的无迹卡尔曼滤波方法，提出自适应渐消的无迹卡尔曼滤波，一方面可以减小利用扩展卡尔曼滤波器线性化时的误差，另一方面采用自适应参数的分布函数，以减少粒子的退化。云南师范大学的罗景文等人利用在箱粒子滤波算法中引入萤火虫算法的寻优机制来进行位姿估计，同时利用扩展卡尔曼滤波算法进行地图的融合与更新，从而减少构建地图需要的粒子数量，进而有效地解决传统Fast-SLAM算法中计算复杂以及粒子退化的问题，显著提高了Fast-SLAM的构图和定位精度。针对基于RBPF的激光SLAM算法中存在激光观测模型存在误差以及在重采样过程中有效粒子过少的问题，北京航空航天大学的吴正越等人提出利用最小采样方差的方法对原重采样过程进行改进，同时通过自适应概率公式以减小激光测量时带来的误差，该方法提高粒子的多样性以及在动态环境中构建地图和定位精度。在基于图优化方法的SLAM研究方面，华南理工大学的翁潇文等人针对激光SLAM计算量大以及构图过程中难以回环等问题，首先对激光雷达数据进行优化处理，再依据当前数据和已构建地图的匹配程度构建子图，同时以机器人位姿为节点，激光雷达观测数据为边构建位姿图，最后根据图优化的方法计算出最优位姿，从而调整子图的融合到全局地图的效果，通过实验证明该方法提高了基于回环检测构建地图的速度和精度。武汉理工大学的黄永新等人通过提取连续数帧激光雷达点云数据的有效信息，从而增加用于匹配的有效特征信息，以解决在相似场景中存在匹配错误的问题，同时根据里程计信息剔除特征不明显的数据帧，提高了闭环检测的速度。针对在图优化方法中前端构造的位姿图对后端优化算法具有较大影响以及闭环检测时存在假闭环的问题，青岛大学的林国聪等人在构建位姿图时引入因子图，同时采用鲁棒代价函数来抛弃假闭环的数据帧，再采用Levenberg-Marquardt算法计算出最优的位姿，此种方法降低了前端构建的位姿图和后端优化的差距，从而提高了构图的精度。随着视觉SLAM的不断成熟，视觉和激光融合的SLAM方法在不断涌现。上海大学的任明宇等人提出将激光雷达信息和视觉信息融合的方法，首先通过采集激光雷达点云数据通过Rao-Blackwellized粒子滤波的方法计算位姿，再通过相机采集环境的实时三维点云数据，最后，对提取出激光点云数据和三维点云数据中相似特征信息通过贝叶斯方法对地图进行融合和更新，从而构建出更为精确的环境地图。上海电力大学的晏小彬等人提出利用视觉信息辅助激光雷达的SLAM算法，从图像信息中提取出激光点云数据对应的ORB特征点，并通过特征匹配估计相机的运动，将相机运动的估计值作为初值通过插值计算以校正激光雷达位姿，通过该方法达到了利用视觉信息对激光点云数据畸变的校准，进而提高了地图的精度的目的。

对于SLAM导航的机器人，一些学者对其导航定位的关键技术进行了深入研究。针对在使用传统蒙特卡洛定位算法进行全局定位时存在的粒子退化以及收敛数据较慢等问题，哈尔滨工业大学的袁源强对传统蒙特卡洛定位算法进行改进，在运动过程中利用扩展卡尔曼滤波来估计位姿，同时在重采样过程中采用自适应方法调整粒子数量，从而提高了粒子的收敛速度以及定位的稳定性。西南交通大学的尚明超等人针对在长时间的单SLAM导航时会出现较大的累计误差的问题，在定位过程中利用扩展卡尔曼滤波对采集的激光雷达数据和扫描得到的二维码信息进行融合以获得移动机器人的准确位姿，提高EKF-SLAM导航定位的精度。Seigo等人利用深度卷积神经网络对激光雷达的数据进行处理，提高了自动引导小车的室内定位精度。东南大学的李思亮在实现仓储移动机器人实时定位引入LSTM网络，其通过对激光雷达数据和地图的预处理，再通过匹配的方法得到估计的位姿，最后通过LSTM网络校准位姿，实现了在仓库环境下的移动机器人的实时定位。电子科技大学的刘玉祥利用无迹卡尔曼滤波中的里程计信息结合惯性导航估计位姿，再通过采用正态分布变换算法校正位姿，进一步提高移动机器人的实时位姿精度。安徽工程大学的陈孟元等人提出基于GSOM神经网络的仿生定位算法，通过GSOM神经网络构建环境的拓扑地图，再通过激光雷达采集的环境信息对位置细胞进行激活响应，从而计算出机器人的位姿，实验表明该方法有效地提高了定位精度。