常見的激光雷達(dá)SLAM算法有哪些？

方法一

激光雷達(dá)分單線和多線這兩大類，針對(duì)這兩類Lidar所使用的算法也不盡相同。 首先單線雷達(dá)一般應(yīng)用在平面運(yùn)動(dòng)場(chǎng)景，多線雷達(dá)則可以應(yīng)用于三維運(yùn)動(dòng)場(chǎng)景。

2D Lidar SLAM

一般將使用單線雷達(dá)建構(gòu)二維地圖的SLAM算法，稱為2D Lidar SLAM。大家熟知的2D Lidar SLAM算法有：gmapping, hector, karto, cartographer。通常數(shù)據(jù)和運(yùn)動(dòng)都限制在2D平面內(nèi)且運(yùn)動(dòng)平面與激光掃描平面平行。

gmapping[1]

基于粒子濾波的2D激光雷達(dá)SLAM，構(gòu)建二維柵格地圖。融合里程計(jì)信息，沒有回環(huán)檢測(cè)。 優(yōu)點(diǎn)是在小場(chǎng)景中，計(jì)算量小，速度較快。 缺點(diǎn)是每個(gè)粒子都攜帶一幅地圖，無法應(yīng)對(duì)大場(chǎng)景（內(nèi)存和計(jì)算量巨大）；如果里程不準(zhǔn)或標(biāo)定參數(shù)不準(zhǔn)，在長(zhǎng)回廊等環(huán)境中容易把圖建歪。

?

hector[2]

hector SLAM是完全基于scan-matching的，使用迭代優(yōu)化的方法來求匹配的最佳位置，為避免陷入局部極值，也采用多分辨率的地圖匹配。 由于完全依賴于scan matching，要求雷達(dá)的測(cè)量精度較高、角度范圍大，掃描速度較高（或移動(dòng)速度慢）。噪聲多、邊角特征點(diǎn)少的場(chǎng)景就很容易失敗。 原文所提出方法的特點(diǎn)還在于，加入IMU，使用EKF估計(jì)整體的6DoF位姿，并根據(jù)roll, pitch角將激光掃描數(shù)據(jù)投影到XY平面，因而支持激光雷達(dá)有一定程度的傾斜，比如手持或機(jī)器人運(yùn)動(dòng)在不是很平整的地面上。

karto[3][4]

karto是基于scan-matching，回環(huán)檢測(cè)和圖優(yōu)化SLAM算法，采用SPA（Sparse Pose Adjustment）進(jìn)行優(yōu)化。 關(guān)于karto 和 cartographer 的比較，可以看看這里：https://blog.csdn.net/hzy925/article/details/78857241

cartographer[5][6]

cartographer是谷歌開源的激光SLAM框架，主要特點(diǎn)在于： 1.引入submap，scan to submap matching，新到的一幀數(shù)據(jù)與最近的submap匹配，放到最優(yōu)位置上。如果不再有新的scan更新到最近的submap，再封存該submap，再去創(chuàng)建新的submap。 2.回環(huán)檢測(cè)和優(yōu)化。利用submap和當(dāng)前scan作回環(huán)檢測(cè)，如果當(dāng)前scan與已經(jīng)創(chuàng)建的submap在距離上足夠近，則進(jìn)行回環(huán)檢測(cè)。檢測(cè)到回環(huán)之后用ceres進(jìn)行優(yōu)化，調(diào)整submap之間的相對(duì)位姿。為了加快回環(huán)檢測(cè)，采用分枝定界法。 cartographer也可以應(yīng)用于3D Lidar SLAM（我還沒試過），不過最出名的還是她在2D Lidar SLAM方面的出色表現(xiàn)，畢竟論文標(biāo)題就是“Real-time loop closure in 2D LIDAR SLAM”。

3D Lidar SLAM

3D Lidar SLAM主要是針對(duì)多線雷達(dá)的SLAM算法。比較出名的有LOAM, LeGO-LOAM, LOAM-livox等。

LOAM[7]

LOAM是針對(duì)多線激光雷達(dá)的SLAM算法，主要特點(diǎn)在于：1) 前端抽取平面點(diǎn)和邊緣點(diǎn)，然后利用scan-to-scan的匹配來計(jì)算幀間位姿，也就形成了里程計(jì)；2) 由估計(jì)的幀間運(yùn)動(dòng)，對(duì)scan中的每一個(gè)點(diǎn)進(jìn)行運(yùn)動(dòng)補(bǔ)償；3) 生成map時(shí)，利用里程計(jì)的信息作為submap-to-map的初始估計(jì)，再在利用submap和map之間的匹配做一次優(yōu)化。 LOAM提出的年代較早（2014），還沒有加入回環(huán)優(yōu)化。 關(guān)于LOAM的詳細(xì)解析，可以參考這篇專欄文章： https://zhuanlan.zhihu.com/p/111388877 ALOAM[8]是Advanced implementation of LOAM，使用Eigen和ceres-solver簡(jiǎn)化代碼實(shí)現(xiàn)。

LeGO-LOAM[9]

LeGO-LOAM在LOAM的基礎(chǔ)上主要改進(jìn)：1) 地面點(diǎn)分割，點(diǎn)云聚類去噪；2）添加了ICP回環(huán)檢測(cè)和gtsam優(yōu)化。 關(guān)于LeGO-LOAM的詳細(xì)解析，可以查看這個(gè)專欄文章： https://zhuanlan.zhihu.com/p/115986186

LOAM_livox[10]

大疆2019年公布的面向小FOV Lidar的LOAM算法。相比LOAM，做了一些改動(dòng)。算法的特點(diǎn)： 1.添加策略提取更魯棒的特征點(diǎn)：a) 忽略視角邊緣有畸變的區(qū)域; b) 剔除反射強(qiáng)度過大或過小的點(diǎn) ; c) 剔除射線方向與所在平臺(tái)夾角過小的點(diǎn); d) 部分被遮擋的點(diǎn) 2.與LOAM一樣，有運(yùn)動(dòng)補(bǔ)償 3.里程計(jì)中剔除相對(duì)位姿解算后匹配度不高的點(diǎn)（比如運(yùn)動(dòng)物體）之后，再優(yōu)化一次求解相對(duì)位姿。

視覺和Lidar 融合的SLAM算法

VLOAM[11]

VLOAM 是視覺和激光雷達(dá)緊耦合的方案。

視覺里程計(jì)部分，圖像幀之間的相對(duì)位姿估計(jì)以60Hz運(yùn)行。先抽取和匹配圖像特征，雷達(dá)點(diǎn)云融合成深度地圖，再將深度地圖與視覺特征點(diǎn)關(guān)聯(lián)起來，以幫助計(jì)算兩幀之間的相對(duì)位姿。 雷達(dá)里程計(jì)部分，將1s內(nèi)的數(shù)據(jù)作為一個(gè)完整掃描 sweep。Sweep-to-Sweep refinement模塊優(yōu)化求解兩個(gè)sweep之間的相對(duì)運(yùn)動(dòng)并去除運(yùn)動(dòng)畸變，Sweep-to-Map Registration模塊將局部點(diǎn)云注冊(cè)到已經(jīng)構(gòu)建的地圖上面。 Transform Integration模塊則結(jié)合兩個(gè)里程計(jì)，以視覺里程計(jì)的高幀率輸出位姿估計(jì)。 待補(bǔ)充 。。。

參考

1.Grisetti, G., et al. (2007). "Improved techniques for grid mapping with rao-blackwellized particle filters." ?23(1): 34-46.

?2.Kohlbrecher, S., et al. (2011). A flexible and scalable slam system with full 3d motion estimation. 2011 IEEE international symposium on safety, security, and rescue robotics, IEEE.

3.https://github.com/ros-perception/slam_karto

4.https://github.com/skasperski/OpenKarto

5.https://github.com/cartographer-project/cartographer

6.Hess, W., et al. (2016). Real-time loop closure in 2D LIDAR SLAM. Robotics and Automation (ICRA), 2016 IEEE International Conference on, IEEE.

7.Zhang, J. and S. Singh (2014). LOAM: Lidar Odometry and Mapping?in Real-time. Robotics: Science and Systems.

8.https://github.com/HKUST-Aerial-Robotics/A-LOAM

9.Shan, T. and B. Englot (2018). Lego-loam: Lightweight and ground-optimized lidar odometry and mapping on variable terrain. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE.

10.Lin, J. and F. Zhang (2020). Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV. 2020 IEEE International Conference on Robotics and Automation (ICRA), IEEE.

11.Zhang, J. and S. Singh (2015). Visual-lidar odometry and mapping: Low-drift, robust, and fast. 2015 IEEE International Conference on Robotics and Automation (ICRA), IEEE.

編輯：黃飛