移动机器人SLAM方法研究

同步定位与建图(Simultaneous Localization and Mapping, SLAM)主要实现了移动机器人的自身定位与周围环境地图构建的功能。本文重点介绍了激光雷达SLAM、视觉SLAM技术的发展现状，调研介绍了目前的开源系统、系统存在的挑战与未来的发展趋势，对于初次接触SLAM的研究人员，清晰地掌握激光雷达SLAM与视觉SLAM的发展是有必要的。

自从20 世纪40 年代末第一台移动机器人问世以来，他们能够执行自主任务的雄心壮志一直是机器人研究的主要焦点之一。为了自主操作，机器人需要形成周围环境的模型，包括定位和地图绘制，并执行安全导航。在机器人应用中的统一操作也要求机器人能够访问周围环境的一致模型，以支持安全规划和决策。为了实现这个目标，机器人必须有能力在地图上定位自己，并创建所处环境的环境地图，因此同步定位与建图(SLAM)应时而生，其主要包括定位与建图两个子任务，而这也是移动机器人在运动中的重要问题：机器人必须有一个准确的关于周围环境的地图， 才能使得移动机器人进行正确的导航与移动；而想要建立准确的地图信息，机器人就必须能够准确地感知自己在周围环境中的位置信息[1]。Randall Smith 等人于1990 年提出使用EKF (扩展卡尔曼滤波器)增量的方式对移动机器人自身的姿势与状态的后验分布以及界标所处的位置进行估算。在现实应用中，需要移动机器人从未探索环境中的某个位置开始运动，运动过程中利用周围环境的特征信息来对自身的位姿状态进行确定，同时对经过的位置进行环境地图的构建。其中对机器人自身的定位技术主要与环境特征、系统成本、建图精度、信息获取频率以及算法自身的鲁棒性相关，目前定位技术可以利用无线信号、全球定位系统(GPS)以及惯性测量单元(IMU)等来实现[2] [3]。但目前的无线技术是一个主动系统，不能平衡系统运行成本与定位准确定率。而GPS主要适用于室外空旷的大场景，另外IMU 定位系统存在不可避免的累积误差[4]。近年来，随着计算机与智能技术的快速发展，搭载激光雷达、相机、IMU 以及其他传感器的SLAM 蓬勃发展，其中基于图特征的SLAM 目前更具发展潜力与优势。这些算法主要利用的是从卡尔曼滤波器(KF)、扩展卡尔曼滤波器(EKF)、粒子滤波(PF)中所衍生出来的基于图的优化算法。

在目前的SLAM 系统中已经使用多线程来取代以前的单线程系统，同时伴随着机器人与传感器的研究，SLAM 技术也逐渐从军用转换为现实生活中的机器人应用。

本文的组织结构可概括如下：在第二节中重点介绍了激光雷达SLAM 的发展， 主要对激光雷达SLAM系统，以及目前存在的难点与未来进行了介绍分析。第三节重点介绍了视觉SLAM 的发展现状，主要对视觉SLAM 系统， 以及目前视觉SLAM 系统存在的挑战与未来进行了介绍分析。

最后我们对未来SLAM的未来研究方向进行总结。

2. 激光雷达SLAM 过去20 年来，从声纳传感器开始，激光雷达的出现使得SLAM 系统变得可靠，从此基于激光的SLAM 方法一直是移动机器人地图和导航研究的基石， 依靠构建的三维地图进行6D 定位仍然是一个研究热点，与视觉传感器相比，激光雷达提供的测量信息更可靠、更准确、噪声级更稳定，并且光照的强弱变化对激光雷达的探测影响甚微，[5]中对基于概率的二维激光雷达同步定位和测绘的数学理论进行了详细的介绍。

2.1. 激光雷达SLAM 系统 激光雷达传感器通过激光雷达光束的数量多少可以分为2D 激光雷达和3D 激光雷达， 因此激光雷达SLAM 系统根据其使用的激光雷达的不同也可以分为2D 激光雷达SLAM 与3D 激光雷达SLAM。

Giorgio Grisetti 等人提出的Gmapping 是移动机器人利用2D 激光雷达进行环境探索时较多使用的SLAM 工具包，