机器人工程专业导论 第八章 SLAM与路径、轨迹规划.pptx

第八章SLAM与路径、轨迹规划

8.1SLAM概念与结构

8.2激光SLAM主流方案

8.3视觉SLAM主流方案

8.4路径规划

8.5轨迹规划

8.6ROS机器人导航;了解SLAM

机器人要在某未知环境中移动，需要解决三个问题，即“我在哪里”、“我要去哪里”和“怎么去”。同步定位与地图构建（SimultaneousLocalizationandMapping，SLAM）就是要回答机器人“我在哪里”的问题，试图解决机器人自身与周围环境相对空间关系的求解问题。

SLAM的概念最早是由史密斯（Smith）和奇斯曼（Cheeseman）等人在1986年IEEE机器人与自动化会议上提出来的。顾名思义，SLAM由即时定位和地图构建两部分组成，即通过机载传感器获取未知环境的信息，生成机器人要探索环境的地图并对自身进行定位，进而实现机器人的自主移动。;无SLAM的扫地机器人只能随机的清洁房间;8.1SLAM概念与结构;;;;;;;1.传感器数据读取：这部分主要是激光或摄像头传感器数据的接收，对激光SLAM来说主要为三维点云信息的获取和处理，而视觉SLAM主要是相机图片信息的获取和处理。

2.前端里程计/数据配准：对接收到的不同帧的激光或视觉等传感器获得的点云数据进行数据同步与对齐、无效值滤除、序列检查、点云遮挡与平行点去除、坐标系转换等，以及点云运动畸变和重力对齐等处理，并估计两序惯帧间的相对运动和局部地图。

3.后端优化：后端优化主要是利用接收到的不同时刻的位姿以及回环检测信息进行优化，以获得全局一致性的轨迹和地图，主要有滤波法和非线性优化的方法。

4.闭环检测：主要是判断机器人是否到过先前经过的位置，以用来消除累积误差。回环检测关系到长时间估计的轨迹和地图的正确性，也提供了当前数据与所有历史数据的关联，在跟踪算法求值后，还可以利用回环检测进行重新定位。

5．地图构建：在SLAM模型中，地图就是所有路标点的集合，一旦确定了各个路标点的位置，就完成了建图。;;;;8.2激光SLAM主流方案;1、Gmapping

Gmapping是一种基于2D激光雷达使用RBPF（Rao-BlackwellizedParticleFilters）算法完成二维栅格地图构建的SLAM算法。Gmapping可以实时构建??内环境地图，在小场景中计算量少，且地图精度较高，有效利用里程计信息，提供了机器人的先验位姿，对激光雷达扫描频率要求低、鲁棒性高。但Gmapping不适合大场景地图构图。;2、Hector_SLAM

Hector_SLAM利用高斯牛顿方法来解决扫描-匹配（Scan-Matching）的问题，对传感器的要求比较高，需具备高更新频率且测量噪音小的激光扫描仪。Hector_SLAM的优点是不需要使用里程计，所以在不平坦区域实现建图的空中无人机及地面小车具有运用的可行性；利用已经获得的地图对激光束点阵进行优化，估计激光点在地图上的表示和占据网格的概率；利用高斯牛顿方法解决Scan-Matching问题，获得激光点集映射到已有地图的刚体变换；为避免局部最小而非全局最优的出现，地图使用多分辨率；导航中的状态估计加入惯性测量系统（IMU），利用EKF滤波。Hector_SLAM的缺点主要是需要雷达的更新频率较高，测量噪声小，只有在机器人速度控制在比较低的情况下建图效果才会比较好；无法有效利用里程计信息；过分依赖Scan-Matching，特别是在长廊问题中，误差更加明显。;3、KartoSLAM

KartoSLAM是在激光SLAM历史上的里程碑，与GMapping,Hector都只有前端部分不同，Karto将后端优化与回环检测引入到激光SLAM中，通过位姿图结构的优化，来减小累计误差。KartoSLAM是基于Scan-Matching、回环检测和图优化的SLAM算法，用高度优化和非迭代科列斯基（Cholesky）矩阵进行稀疏系统解耦作为解。

4、Cartographer

Cartographer是Google推出的基于图优化的激光SLAM算法，它同时支持2D和3D激光SLAM，可以跨平台使用，支持LiDAR、IMU、Odemetry、GPS等多种传感器配置。Cartographer建立的2D栅格地图可以达到5cm的精度，该算法广泛应用于服务机器人、扫地机器人、仓储机器人、自动驾驶等领域，是最优秀的激光SLAM框架之一。;5、LOAM

LOA