激光SLAM简介

曦曦是希望

已于 2025-02-21 17:12:59 修改

阅读量1.5k

点赞数 21

文章标签：人工智能

于 2025-02-19 18:49:02 首次发布

本文链接：https://blog.youkuaiyun.com/kk521_1314/article/details/145735144

版权

1.SLAM的定义与分类

1.SLAM的定义

Localization：在给定地图的情况下，估计机器人的位姿(定位：最重要，最难)
Mapping：在给定机器人位姿的情况下，估计环境地图(建图)
SLAM：同时估计机器人的位姿和环境地图(同时建图定位)

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

3.基于传感器分类

二维激光SLAM（大部分环境可以解决，室内）
三维激光SLAM（成本高，室外）
视觉SLAM（信息丰富，室内室外通用）
声呐SLAM（绘制海图）

4.基于后端的分类

图优化方法（graph-based）(最流行，最好的)
滑动窗口方法（sliding-window）（VIO，VO）
滤波器方法（filter-based）（particle filer , Gmapping）

2.SLAM的框架

1.Graph-based SLAM

前段匹配（局部匹配，帧间匹配）
回环检测
后端优化

2.图的结构

Graph：表示SLAM的过程
Node：机器人的位姿
Edge：节点之间的空间约束关系

3.激光SLAM的pipeline（流程）

传感器—>传感器数据处理—>前段匹配 —>回环检测 —>后端优化 —>地图构建

激光雷达区畸变，里程计矫正
激光帧间（算法核心）
激光回环检测
非线性最小二乘优化

数据处理

激光雷达运动畸变去除（实用）
里程计数矫正

帧间匹配算法

ICP（Iterative Closest Point）
PI-ICP (Point-to-Line Iterative Closest Point)
NDT (Normal Distribution Transformation)
CSM (Correlation Scan Match)

回环检测

Scan-to-Scan
Scan-to-Map
Map-to-Map

后端优化

高斯牛顿方法
LM方法

3.激光SLAM

1.2D激光SLAM

1.2D激光SLAM的输入

IMU数据
里程计数据
2D激光雷达数据

2.2D激光SLAM的输出

覆盖栅格地图
机器人的轨迹 or PoseGraph

3.数据的预处理--（非常重要）

轮式里程计的标定
激光雷达运动畸变去除
不同系统之间的时间同步

4.实际环境中的问题

动态物体
环境变化
集合结构相似环境
建图的操作复杂
全局定位
地面材料的变化
地面凹凸不平
机器人载重的的改变

5.视觉提供的信息

高精度的里程信息
信息量丰富的视觉地图

6.融合解决的问题

动态物体
环境变化
集合结构相似环境
建图的操作复杂
全局定位
地面材料的变化
地面凹凸不平
机器人载重的变化

2.3D激光SLAM

1.3D激光SLAM的输入

IMU数据
里程计数据
3D激光雷达数据

2.3D激光SLAM的输出

3D点云地图
机器人的轨迹or PoseGraph

3.3D激光SLAM的帧间匹配方法

Point-to-Plane ICP
NDT
Feature-based Method
GICP
NICP
IMLS-ICP

4.3D激光SLAM的回环检测方法

Scan-to-Scan
Scan-to-Map
Branth and Bound & Lazy Decision

5.数据的预处理--（非常重要）

轮式里程计的标定
激光雷达运动畸变去除
不同系统之间的时间同步

6.与视觉融合

3D激光雷达为视觉特征提供深度信息
视觉辅助激光雷达进行运动畸变去除
视觉辅助回环检测
视觉提供精确里程信息

3.激光SLAM的问题

1.退化环境

2.地图的动态更新

3.去那句定位

4.动态环境定位

4.传感器数据处理 1：里程计运动模型及标定

1.里程计模型

1.两轮差分底盘的运动学模型

优点

结构简单
便宜（2个点击）
模型简单

航迹推算

2.里程计标定

1.线性最小二乘的基本原理

1.线性方程组Ax=b

A为m x n的矩阵
x为n x 1的向量

当m=n时，适定方程组，方程组有唯一解

当m<n时，欠定方程组，方程组有无穷多解

当m>n时，超定方程组，方程组有通常无解

2.最小二乘解

绝大多数情况为m>n，超定方程组
无解，可以寻找最靠近真实解的解
无解但是有最小二乘解

（AX=B AX-B=E） ${E_{}}^{2}$ 为最小二乘此时X为最小二乘解

通解：x * =（AT A）-1 AT B

2.最小二乘的直线拟合

1.最小二乘的求解--线性空间的角度

Ax表示A的列向量空间S

无解意味着向量b不再S中

最近的解即为：向量b在S中的投影

3.最小二乘在里程计标定中的应用

1.直接线性方法

通用性强

实现简单

精度不高

2.基于模型的方法

精度高

实现复杂

特异性高

5.传感器数据处理 2：激光雷达运动畸变去除

1.概念介绍

1.激光雷达传感器介绍

三角测距

中近距离精度较高
价格便宜
远距离精度较差
易受干扰
一盘在室内使用

飞行时间（TOF）

测距范围广
测距精度高
抗干扰能力强
价格昂贵
室内室外皆可

2.激光雷达数学模型介绍

1.光束模型

缺点：在非结构化环境中，为子微小的改变会造成期望值的巨大改变，从而导致的分进行突变

2.似然场模型

对图像进行高斯平滑，在任何环境中期望值对于位姿都是平滑的
得分的计算不需要经过raytracking直接通过查表即可得到，计算量低
同时是和结构花环境和非结构环境中

3.运动畸变介绍

产生的原因

激光点数据不是瞬时获得
激光测量时伴随着机器人的运动
激光帧率较低时，机器人的运动不能忽略

2.畸变去除

1.纯估计方法

1.ICP

类ICP方法-->ICP vaviant(求两个点云之间相对位置关系)

已知对应点的求解方法

$X^{^{,}}$ ={ $x_{i}$ - $u_{x}$ } ={ $x{_{i}}^{,}$ }

$P^{^{,}}$ = $\left \{ p_{i} - u_{p} \right \}= \left \{ p{_{i}}^{,}\right \}$

则ICP的解为

$R=UV^{T}$

$t = u_{x} - Ru_{p}$

未知对应点的求解方法

实质中，不知道对应点匹配
不能一布到为计算出R和t
进行迭代计算
EM算法的一个级别

算法流程

寻找对应点
根据对应点，计算R和t
对点云进行转换，计算误差
不断迭代，直至误差小于某一个值

ICP方法在激光匹配中的缺点

没有考虑激光的运动畸变
当前的激光数据是错误的

2.VICP

ICP算法
考虑了机器人的运动
匀速运动
进行匹配匹配的同时估计机器人的速度