3D激光雷達(dá)SLAM算法綜述

引言：

無人平臺(tái)在大范圍環(huán)境中 實(shí)現(xiàn)自 主定位與導(dǎo)航的能力 需求日 益嚴(yán)苛， 其中 基于激光雷達(dá)的同步定位和繪圖 技術(shù)(SLAM) 是主流的研究方案。在這項(xiàng)工作中， 本文系統(tǒng)概述了 3D 激光雷達(dá)SLAM算法框架和關(guān)鍵模塊， 分析闡述了近年來的研究熱點(diǎn)問題和未來發(fā)展趨勢(shì)， 梳理了3D激光雷達(dá) SLAM 算法性能的評(píng)估標(biāo)準(zhǔn)， 并據(jù)此選取目前較為成熟的具有代表性的6種開源 3D 激光雷達(dá)SLAM 算法在機(jī)器人操作系統(tǒng)(ＲOS) 中進(jìn)行了測(cè)試評(píng)估， 基于 KITTI 基準(zhǔn)數(shù)據(jù)集， 從 KITTI 官方精度標(biāo)準(zhǔn)、SLAM算法精度指標(biāo)、算法耗時(shí)和處理幀率3方面進(jìn)行了橫向比較， 結(jié)果表明， 所選6種算法中 LIO-SAM 算法性能綜合表現(xiàn)突出， 其在 00 序列數(shù)據(jù)集的測(cè)試中， 絕對(duì)軌跡誤差(ATE) 和相對(duì)位姿誤差(ＲPE) 的 ＲMSE 數(shù)據(jù)分別為 1. 303 和 0. 028， 算法處理的幀率(fps) 為 28. 6， 最后依據(jù) CiteSpace 分析討論了 3D 激光雷達(dá) SLAM 技術(shù)的應(yīng)用趨勢(shì)。

隨著移動(dòng)機(jī)器人與無人平臺(tái)在各類應(yīng)用場(chǎng)景的不斷進(jìn)階與探索， 對(duì)移動(dòng)載體定位能力的要求也越來越高。日益升級(jí)的智能駕駛應(yīng)用， 尤其是更先進(jìn)的無人駕駛， 為保證安全， 需求定位精度達(dá)到厘米級(jí)， 現(xiàn)有的定位輸入源主要是基于全球定位系統(tǒng) ( global positioning system，GPS) 等衛(wèi)星定位手段， 而傳統(tǒng)的 GPS 定位導(dǎo)航精度只有5 ～10 m， 當(dāng)前提高定位精度的方案大體上分為兩類。

一類是對(duì)衛(wèi)星信號(hào)定位輸入源進(jìn)行升級(jí)，如升級(jí)為更高精度的實(shí)時(shí)差分定位(real time kinematic， ＲTK) ， 或者將進(jìn)行輔助推算導(dǎo)航定位的低成本微機(jī)電系統(tǒng) ( micro electromechanical system， MEMS) 慣導(dǎo)設(shè)備升級(jí)為更高精度級(jí)別的慣導(dǎo)， 雖然此類方式可以在大多數(shù)的使用場(chǎng)景下提高定位精度， 但是在 GPS 信號(hào)容易丟失的場(chǎng)景下，如停車場(chǎng)、交錯(cuò)高架路以及室內(nèi)環(huán)境等， 仍存在缺陷且成本較高， 而慣導(dǎo)的推算定位本身就存在初始化和累計(jì)誤差問題;

另一類是研究學(xué)者基于第一類缺陷提出的引入新的實(shí)現(xiàn)自主定位源的方法，如使用激光雷達(dá)、毫米波雷達(dá)、攝像頭等感知傳感器， 因此基于各類傳感器的自主定位方案開始受到科研人員的廣泛關(guān)注， 尤其是基于激光雷達(dá)和深度相機(jī)的自主定位， 近年來已成為熱點(diǎn)方案， 本文主要闡述基于多線激光雷達(dá)的自主定位方案。

同步定位與繪圖 ( simultaneous localization and mapping，SLAM) 作為一種在未知環(huán)境中進(jìn)行姿態(tài)估計(jì)與定位的技術(shù)， 廣泛應(yīng)用于移動(dòng)機(jī)器人和無人駕駛等領(lǐng)域。

SLAM 相關(guān)概念最早由 Cheeseman 等于 1986 年在 IEEE 機(jī)器人與自動(dòng)化會(huì)議被提出， 該技術(shù)通過傳感器采集信息，生成無人平臺(tái)所探索環(huán)境的地圖并對(duì)其進(jìn)行定位， 實(shí)現(xiàn)無人平臺(tái)的自主移動(dòng)［1］。從該技術(shù)的定義可知， 該技術(shù)由地圖構(gòu)建和定位兩部分組成。地圖構(gòu)建是把通過傳感器采集的序貫激光雷達(dá)點(diǎn)云或視覺特征從各幀局部坐標(biāo)系投影至全局坐標(biāo)系， 之后完成地圖拼接和定位， 即獲取移動(dòng)載體在所建地圖中的位置和姿態(tài)信息。

一方面獲取傳感器采集的各幀數(shù)據(jù)對(duì)應(yīng)的局部坐標(biāo)系的位置和姿態(tài)是構(gòu)建地圖的關(guān)鍵， 即建圖包含了定位問題; 另一方面構(gòu)建準(zhǔn)確的地圖又是精確定位的前提， 因此， 定位與建圖兩者是高度耦合的，可作為一個(gè)問題尋找解決方案。在線實(shí)時(shí)的SLAM 技術(shù)作為自主定位領(lǐng)域的核心正在被廣泛研究。

目前 2D 激光 SLAM 技術(shù)發(fā)展已較為成熟， 既可用于民用服務(wù)如掃地機(jī)器人， 也可用 于工業(yè)現(xiàn)場(chǎng)， 如 KUKA Navigation Solution ［2］ ?；诩す恻c(diǎn)云的 3D SLAM 技術(shù)利用三維激光傳感器(一般是多線激光雷達(dá)， 也有少部分是用自制的單線激光雷達(dá)組合) 獲取三維空間點(diǎn)數(shù)據(jù)， 之后再通過相鄰點(diǎn)云幀之間的掃描匹配進(jìn)行位姿估計(jì)， 并建立完整的點(diǎn)云地圖， 與 2D 激光 SLAM 具有相通的技術(shù)原理。

三維激光雷達(dá)通過光學(xué)測(cè)距可以直接采集到海量具有角度和距離精準(zhǔn)信息的點(diǎn)， 這些點(diǎn)的合集被稱為點(diǎn)云，可以反映出真實(shí)環(huán)境中的幾何信息。由于其建圖直觀，測(cè)距精度極高且不容易受到光照變化和視角 變化的影響， 是室外大型環(huán)境的地圖構(gòu)建應(yīng)用中必不可少的傳感器。

得益于DAＲPA(美國(guó)國(guó)防部先進(jìn)研究項(xiàng)目 局地面挑戰(zhàn)賽)［3-4］的推動(dòng)， 美國(guó) Velodyne 公司的多線激光雷達(dá)開始用于無人汽車 SLAM ［5］ ， 移動(dòng)機(jī)器人的定位與建圖問題由室內(nèi)逐漸轉(zhuǎn)為室外， 地圖構(gòu)建也由二維拓展到三維，范圍成倍擴(kuò)大， 但多線雷達(dá)成本較高。隨著多線激光雷達(dá)的量產(chǎn)化和普及化以及嵌入式處理器功耗降低、 計(jì)算能力的增強(qiáng)， 基于多線激光雷達(dá)的 SLAM 技術(shù)正在快速發(fā)展。

由于基于多線激光雷達(dá)的三維 SLAM 方法在幀間匹配方面有著更豐富的匹配方式及更好的魯棒性， 并可以同圖像信息、物理模型等信息進(jìn)行融合［6］使定位精度得到提升， 因而具有巨大的發(fā)展?jié)摿?。關(guān)于 SLAM 的相關(guān)工作前人已有總結(jié)， 尤其是基于視覺的 SLAM 綜述出現(xiàn)較多， 但基于激光的 SLAM 總結(jié)工作比較少， 且主要是基于 2D 激光， 涉及 3D 激光雷達(dá)SLAM 算法的介紹不多。在本文中， 我們將系統(tǒng)的介紹和分析三維激光 SLAM 技術(shù)， 并對(duì)選取的代表性算法進(jìn)行性能比較及客觀評(píng)價(jià)。這項(xiàng)工作為我們之后對(duì)三維激光 SLAM 技術(shù)進(jìn)行更深入的研究做下了鋪墊， 也希望本文能夠?yàn)槠渌麑?duì) 3D 激光雷達(dá) SLAM 技術(shù)感興趣的研究人員提供些許幫助。

1、

3D 激光雷達(dá) SLAM 方案

依賴激光雷達(dá)建立地圖的激光 SLAM 方案按求解方式可以分為基于濾波器和基于圖優(yōu)化兩類， 基于濾波器的方法源于貝葉斯估計(jì)理論， 是早期解決 SLAM 問題的方法， 在室內(nèi)或小范圍場(chǎng)景應(yīng)用中具有不錯(cuò)的效果， 但由于只考慮移動(dòng)載體的當(dāng)前位姿狀態(tài)和當(dāng)前環(huán)境觀測(cè)信息， 且不具有回環(huán)檢測(cè)能力， 存在線性化以及更新效率低等問題［7-8］， 在程序運(yùn)行中還會(huì)隨著場(chǎng)景的增大占用成倍增加的計(jì)算資源， 這使得它在室外大型場(chǎng)景中的表現(xiàn)效果比較差， 現(xiàn)階段基于濾波器的激光 SLAM 方案主要應(yīng)用在二維室內(nèi)小范圍場(chǎng)景。

基于圖優(yōu)化的 SLAM 方案考慮了移動(dòng)載體歷程中全部的位姿狀態(tài)和環(huán)境觀測(cè)信息， 用節(jié)點(diǎn)和邊形成的圖來表示一系列的移動(dòng)機(jī)器人位姿和約束， 建立和維護(hù)關(guān)聯(lián)數(shù)據(jù)，可獨(dú)立出前端實(shí)現(xiàn)并行計(jì)算， 是一種更為高效和普適的優(yōu)化方法。

相較于早期基于濾波器的 SLAM 方法， 通?？梢缘贸鋈忠恢滦愿玫牡貓D， 且隨著求解方法的不斷發(fā)展，在相同計(jì)算量的前提下， 圖優(yōu)化 SLAM 的求解速度也已經(jīng)超過濾波器方法， 是目前 SLAM 領(lǐng)域內(nèi)的主流方法，也是三維激光 SLAM 采取的主要方案，Hauke 等［9］研究了圖優(yōu)化方法為什么較濾波器方法能取得更優(yōu)的效果。

Lu 等［10］于上世紀(jì)九十年代首次提出基于圖優(yōu)化的2D SLAM 算法， 他們用帶約束的位姿網(wǎng)絡(luò)實(shí)現(xiàn)了數(shù)據(jù)關(guān)聯(lián)， 具備圖優(yōu)化的原型。Gutmann 等［11］于 1999 年正式提出了圖優(yōu)化框架， 該框架與目 前主流的圖優(yōu)化框架大致相同， 具備前端掃描匹配、 全局優(yōu)化以及閉環(huán)檢測(cè)模塊，但由于當(dāng)時(shí)技術(shù)發(fā)展和認(rèn)知局限， 沒有認(rèn)識(shí)到系統(tǒng)的稀疏性， 并未實(shí)現(xiàn)實(shí)時(shí) SLAM。之后， 國(guó)內(nèi)外諸多研究學(xué)者也不斷探索， 為圖優(yōu)化 SLAM 方法的發(fā)展做出了 巨大貢獻(xiàn)， 圖優(yōu)化 SLAM 方案框架的各個(gè)模塊也在逐步完善。

基于二維激光的 SLAM 算法相對(duì)成熟， Santos 等［12］對(duì) 5 種 具有代表性的 基于單線 激光 雷 達(dá)的 2D 激光SLAM 算法進(jìn)行了測(cè)試評(píng)估和總結(jié)， 結(jié)果表明 Gmapping和 KartoSLAM 算法在定位和建圖的準(zhǔn)確性和效率上要更加優(yōu)越。之后 Google 開源的 Cartographer 算法［13］

采用目前主流的基于圖優(yōu)化的激光 SLAM 算法框架， 提出了分支定界的方法解決子地圖的構(gòu)建以及與全局地圖的匹配問題， 實(shí)現(xiàn)了閉環(huán)檢測(cè)和較好效果的全局優(yōu)化， 是目前較為先進(jìn)和成熟的二維激光 SLAM 技術(shù)的代表。

二維激光雷達(dá)在確定高度的水平面上通過測(cè)量旋轉(zhuǎn)掃描的激光信號(hào)與其回波的時(shí)間差、 相位差確定環(huán)境中目標(biāo)的距離和角度， 并依據(jù)這兩類數(shù)據(jù)在水平面上建立二維極坐標(biāo)系來表示所感知的環(huán)境信息， 可視為一種單線程的三維激光雷達(dá)。

相比于只能感知環(huán)境中單個(gè)平面信息、適用于室內(nèi)幾何結(jié)構(gòu)實(shí)現(xiàn)小型區(qū)域地圖構(gòu)建的二維激光雷達(dá)， 三維激光雷達(dá)可以進(jìn)一步獲取高程上更豐富的信息， 對(duì)于室外大型場(chǎng)景也有更好的感知效果。

激光雷達(dá)根據(jù)線數(shù)可分為單線、4 /8 線以及 16 /32 /64 /128線 3 類， 隨著線束的增多， 激光雷達(dá)能夠感知環(huán)境的信息更豐富， 所得的數(shù)據(jù)量也相應(yīng)更大， 設(shè)備的成本也成倍增加，因此基于激光的 SLAM 算法需要在線束上有所考量，要達(dá)到更好的實(shí)時(shí)性就需要處理減少每幀的輸入數(shù)據(jù)量， 而較少的初始數(shù)據(jù)量因?yàn)榫€束稀疏又不能很好的反映環(huán)境信息。

目前的3D 激光雷達(dá) SLAM 算法研究多基于16 /32 /64 線激光雷達(dá)， 而面向無人駕駛的應(yīng)用則追求更高精度的 128 線， 如圖 1 所示。3D 激光雷達(dá) SLAM 技術(shù)基于多線激光雷達(dá)， 沿用并發(fā)展了 基于圖優(yōu)化的 SLAM算法框架， 并將其應(yīng)用于無人駕駛等領(lǐng)域解決大型場(chǎng)景的定位與建圖問題。

1. 1 圖優(yōu)化方法

圖優(yōu)化 SLAM 的研究基礎(chǔ)是基于圖論， 圖(graph) 是一種數(shù)據(jù)結(jié)構(gòu)， 由頂點(diǎn)(vertex) 與連接頂點(diǎn)的邊(edge) 組成表示為 G(V， E) ， 其中 G 表示圖， 頂點(diǎn)的集合表示為 V，邊的集合表示為 E， 其思想是用頂點(diǎn)表示事物， 而連接不同頂點(diǎn)之間的邊則用 于表示事物之間 的關(guān)系， 如果在圖 G 中存在一個(gè)頂點(diǎn)上連接兩個(gè)以上的邊， 則稱該圖為超圖， 在 SLAM 中研究的就是根據(jù)已有的觀測(cè)數(shù)據(jù)實(shí)現(xiàn)超圖的構(gòu)建以及優(yōu)化的過程。

假設(shè)移動(dòng)載體的位姿節(jié)點(diǎn)用 μ = { μ 1， μ2 ， …， μ n } 表示， 將環(huán)境中的地標(biāo)表示為 S = {S 1 ， S 2 ， …， S n } ， 則移動(dòng)平臺(tái)的位姿和地標(biāo)可以用圖 2 表示。

如果某時(shí)刻 k， 移動(dòng)載體在位置通過激光傳感器進(jìn)行掃描觀測(cè)得到數(shù)據(jù)， 則傳感器的觀測(cè)方程為:

由于系統(tǒng)參數(shù)和傳感器觀測(cè)存在誤差， 使得上式不可能精確相等， 因此誤差?便存在，如果把:

式(2) 作為目 標(biāo)函數(shù)， 把作為變量進(jìn)行優(yōu)化， 便可以求解得到移動(dòng)載體位姿的估計(jì)值，， 從而計(jì)算估計(jì)出平臺(tái)移動(dòng)的軌跡。具體到 SLAM 問題中， 頂點(diǎn)表示為激光雷達(dá)的位姿以及特征點(diǎn)的位姿， 而邊表示觀測(cè)方程， 觀測(cè)方程的表達(dá)形式有多種， 可定義為移動(dòng)平臺(tái)不同位姿之間的約束， 也可以定義為移動(dòng)平臺(tái)在某位置觀測(cè)得到的某空間點(diǎn)坐標(biāo)表達(dá)式。

一般為位姿之間由里程計(jì)(odometry) 或者匹配(registration) 計(jì)算出的轉(zhuǎn)換矩陣， 這樣對(duì)移動(dòng)平臺(tái)位姿的求解過程就轉(zhuǎn)化為求解圖中的優(yōu)化問題。圖優(yōu)化 SLAM 的模型表示形式也可以從彈簧能量模型［14-15］的視角來解釋， 如圖 3 所示， 在 SLAM 中是對(duì)位姿的最大似然估計(jì)， 彈簧模型中則是對(duì)應(yīng)系統(tǒng)的最小能量狀態(tài)， 而二者的本質(zhì)問題都可以轉(zhuǎn)換為非線性最小二乘問題。

1.2圖優(yōu)化 SLAM 方案框架

基于圖優(yōu)化的 SLAM 方案可以分為掃描匹配、 閉環(huán)檢測(cè)、后端優(yōu)化、點(diǎn)云地圖存儲(chǔ)表示 4 個(gè)部分。掃描匹配利用激光雷達(dá)、慣性測(cè)量單元(IMU) 及編碼器等傳感器數(shù)據(jù)進(jìn)行掃描匹配， 利用相鄰幀之間的關(guān)系估計(jì)當(dāng)前幀的運(yùn)動(dòng)姿態(tài)， 得到短時(shí)間內(nèi)的相對(duì)位姿和地圖， 考慮的是局部數(shù)據(jù)關(guān)聯(lián)問題;

由于長(zhǎng)時(shí)間的增量式掃描匹配會(huì)不可避免地造成誤差累積， 而閉環(huán)檢測(cè)可以通過比較當(dāng)前幀與歷史關(guān)鍵幀來優(yōu)化位姿， 檢查匹配確立節(jié)點(diǎn)間的約束關(guān)系， 減少全局地圖的漂移誤差， 考慮的是全局?jǐn)?shù)據(jù)關(guān)聯(lián); 如果是從基于圖優(yōu)化的表示形式來看， 掃描匹配和閉環(huán)檢測(cè)都是為了根據(jù)觀測(cè)信息建立圖的節(jié)點(diǎn)以及節(jié)點(diǎn)間的約束， 即完成圖的構(gòu)建。研究學(xué)者們將兩者一起劃分為圖優(yōu)化 SLAM 的前端部分［14-15］。

由于系統(tǒng)參數(shù)誤差、觀測(cè)噪聲以及匹配誤差的存在，通過前端模塊所構(gòu)建的位姿圖一致性較差， 且通常情況下構(gòu)建圖的邊與邊的約束存在“沖突”。若用表示幀間匹配的相對(duì)變換矩陣， 則 T 0 ， T 1 ， T 2 ， …， T n 構(gòu)成一個(gè)閉環(huán)， 在理想情況下應(yīng)當(dāng)滿足 T 0 T 1 T 2 …T n = I， 其中 I 表示單位矩陣， 但實(shí)際工程中通過前端得到的相對(duì)變換矩陣一般是達(dá)不到此結(jié)果的。與前端部分不同， 圖優(yōu)化部分是對(duì)前端構(gòu)建的圖信息進(jìn)行非線性優(yōu)化， 取得盡量滿足所有約束關(guān)系的最優(yōu)解， 最后輸出姿態(tài)估計(jì)結(jié)果和全局點(diǎn)云地圖， 這一部分也被稱為 SLAM 后端， 與 SLAM 前端共同組成整個(gè)圖優(yōu)化 SLAM 框架。

1.2 .1 掃描匹配

對(duì)于前端掃描匹配， 代表性的三維點(diǎn)云匹配算法大體可分為兩類: 基于匹配的方法和基于特征的方法?；谄ヅ涞姆椒ǜ鶕?jù)算法建立的目 標(biāo)評(píng)價(jià)函數(shù)可以分為基于距離判斷和基于概率模型判斷兩種， 基于概率模型判斷的方法主要是正態(tài)分布變換( normalized distribution transform， NDT) 算法［16］， 基于距離判斷的方法主要是 ICP算法及其變種算法， 適合 3D 激光雷達(dá) SLAM 的算法包括PP-ICP ［17］ 、NICP ［18］ 、 IMLS-ICP ［19］ 等， 其中代表性的算法是廣義迭代最近點(diǎn) ( generalized iterative closest point，GICP)［20］， 算法原理是將 ICP 算法和 PL-ICP 算法結(jié)合到概率框架模型上進(jìn)行點(diǎn)云配準(zhǔn)， 提升了算法的適用性和精確度。

基于匹配的算法一般通過直接使用掃描點(diǎn)來實(shí)現(xiàn)準(zhǔn)確估計(jì)， 需要使用大量的點(diǎn)進(jìn)行穩(wěn)定配準(zhǔn)， 雖然匹配精度較高但通常計(jì)算效率不高。目前最新的能夠快速準(zhǔn)確的實(shí)現(xiàn)三維激光點(diǎn)云匹配配準(zhǔn)的算法是一種體素化的廣義迭代最近點(diǎn)算法［21］， 該方法通過體素化擴(kuò)展了GICP 方法， 避免了高代價(jià)的最近鄰搜索， 同時(shí)保持了 算法的精度， 結(jié)合了類 ICP 和 NDT 算法的優(yōu)勢(shì)。

基于特征的方法通過從掃描點(diǎn)云中提取特征點(diǎn)來提高計(jì)算效率， 包括使用角點(diǎn)和平面點(diǎn)特征的 LOAM ［22］ 以及使用面元特征的三維柵格匹配算法多分辨率柵格地圖(multi-resolution surfel map)［20］等， 也有許多專注于雷達(dá)點(diǎn)云特征描述進(jìn)行點(diǎn)云配準(zhǔn)的研究［23-27］， 如快速點(diǎn)特征直方圖 ( fast point feature histograms， FPFH )［23］、 VFH(viewpoint feature histogram)［24］等， 這種方法能夠改善計(jì)算成本提高實(shí)時(shí)性從而得到廣泛研究。一個(gè)經(jīng)典的基于特征的點(diǎn)云配準(zhǔn)算法通常包括關(guān)鍵點(diǎn)檢測(cè)、 特征描述符提取、真實(shí)匹配、異常值剔除和轉(zhuǎn)換估計(jì)幾個(gè)步驟。

1.2 .2 閉環(huán)檢測(cè)

閉環(huán)檢測(cè)基于全局?jǐn)?shù)據(jù)關(guān)聯(lián)， 是實(shí)現(xiàn)魯棒 SLAM 的核心步驟， 通過識(shí)別是否到達(dá)歷史場(chǎng)景促使地圖閉環(huán)的能力， 能夠校正累積誤差， 從而產(chǎn)生全局一致性的映射地圖。但相應(yīng)的， 錯(cuò)誤閉環(huán)的結(jié)果則會(huì)嚴(yán)重影響后端優(yōu)化的準(zhǔn)確度， 甚至?xí)苯訉?dǎo)致最終地圖的效果不佳。閉環(huán)檢測(cè)的難點(diǎn)主要體現(xiàn)在:

1 ) 感知歧義。例如在長(zhǎng)廊、 隧道、 樓梯等結(jié)構(gòu)化十分相似的場(chǎng)景， 會(huì)加劇判斷難度。

2) 由于激光傳感器本身的稀疏性造成的觀測(cè)數(shù)據(jù)魯棒性和區(qū)分性受限問題， 即如何建立易于處理的環(huán)境有效表征方式。

3) 數(shù)據(jù)規(guī)模會(huì)隨著運(yùn)行時(shí)間增加而導(dǎo)致需要判斷的幀數(shù)據(jù)不斷增長(zhǎng)， 會(huì)降低建圖的實(shí)時(shí)性。

基于激光的場(chǎng)景識(shí)別致力于尋求一種有效而簡(jiǎn)明的位置描述符， 目 前已有的 閉 環(huán)檢測(cè) 技術(shù)有基于 MonteCarlo 的節(jié)點(diǎn)搜索算法［28］， 也可依據(jù) GPS 輔助法進(jìn)行輔助閉環(huán)判斷; 有基于描述子的回環(huán)檢測(cè)算法， 通過提取局部或全局場(chǎng)景描述子進(jìn)行場(chǎng)景識(shí)別， 局部描述子代表算法有 FPFH ［23］ : 利用 局部表面法向量計(jì)算局部描述子，Bosse 等［29］提出一種基于 Gasalt3D 描述符的概率投票方法， 由幾何信息和強(qiáng)度信息組成局部描述符 ISHOT ［30］ ;

全局描述子代表算法有將關(guān)鍵點(diǎn)對(duì)的相對(duì)幾何位置編碼成直方圖的 GLAＲOT 方法［31］， 將激光掃描投影到全局描述符的掃描上下文 Scan Context 方法［32］等， BoW(bag of words)［33］一種基于詞袋模型的場(chǎng)景識(shí)別算法， 還有 FAB-Map(fast appearance based mapping)［34］和 DBoW2 ［35］ 等方法， 但 這 些 方 法 起 初 是 被 用 于 視 覺 SLAM， 如 OＲB SLAM ［36］ 和 LDSO ［37］ 。

1.2 .3后端圖優(yōu)化

后端優(yōu)化是將各幀雷達(dá)的位姿和幀間運(yùn)動(dòng)約束綜合起來達(dá)到整體優(yōu)化的一個(gè)過程， 可以消除局部累計(jì)誤差，在大尺度的建圖中， 一般需要具備一個(gè)“監(jiān)管者”來時(shí)刻協(xié)調(diào)之前的軌跡， 這便是 SLAM 的后端優(yōu)化。

綜述［38-39］對(duì)優(yōu)化方法已有系統(tǒng)的詳細(xì)介紹， 基于圖優(yōu)化 SLAM 的后端優(yōu)化方法可概括分為 4 類: 基于最小二乘法的優(yōu)化方法、基于松弛迭代的優(yōu)化方法、基于隨機(jī)梯度下降的優(yōu)化方法以及基于流形迭代方法。目前基于圖優(yōu)化的開源優(yōu)化庫(kù)有 iSAM(incremental smoothing and mapping)［40］、GTSAM ( georgia tech smoothing and mapping)［41］、 G2O( general graph optimization )［42］、 Ceres ［43］ 、 BA ( bundle adjustment)［44］等， 借助于這些優(yōu)化庫(kù)可節(jié)省后端迭代求解優(yōu)化值的時(shí)間。

1.2 .4地圖表示

通過 3D 激光雷達(dá) SLAM 算法最容易得出的是點(diǎn)云地圖， 如圖 4(a) ， 它可以直觀描述周圍環(huán)境， 具備基本的環(huán)境展示功能， 但因點(diǎn)云數(shù)量龐大， 一般需要通過體素濾波進(jìn)行一定的降采樣才能正常顯示。

此外由于單純的點(diǎn)云無法表示障礙物信息且不具備特征， 所以無法直接用于導(dǎo)航和避障以及基于特征的定位， 但可用于實(shí)現(xiàn)基于點(diǎn)云配準(zhǔn)的定位研究。在點(diǎn)云地圖的基礎(chǔ)上進(jìn)一步處理， 根據(jù)使用目的， 將從點(diǎn)云地圖中提取出的特征聚在一起可以構(gòu)成使用特征進(jìn)行定位的稀疏特征地圖， 如圖 4(c) 所示， 還可以構(gòu)成用于導(dǎo)航避障和路徑規(guī)劃的占據(jù)網(wǎng)格地圖以及壓縮性能更好的八叉樹地圖， 如圖 4(b)所示。

占據(jù)網(wǎng)格地圖常采取柵格或者體素的方式， 在最小化柵格或者體素中用概率或者 0 ～ 1 的形式表示被占據(jù)的狀態(tài)， CSM ［45］中構(gòu)建了二維占據(jù)柵格地圖，OctoMap ［46］ 中提出了將點(diǎn)云地圖轉(zhuǎn)變?yōu)槿S占據(jù)地圖的方法， 八叉樹地圖是一種特殊的占據(jù)柵格地圖， 該結(jié)構(gòu)中占據(jù)概率相同的柵格可進(jìn)行合并， 從而降低存儲(chǔ)地圖的空間。

近年來語(yǔ)義地圖的出現(xiàn)與發(fā)展也提高了機(jī)器對(duì)周圍環(huán)境感的內(nèi) 容理解， 如圖 4(c) 所示， 語(yǔ)義地圖聯(lián)合幾何和內(nèi)容兩個(gè)層次的感知， 幫助提高 SLAM 建圖和定位的精度， 也能更好的提升機(jī)器智能化理解環(huán)境的能力。

2、

研究熱點(diǎn)及發(fā)展趨勢(shì)

激光雷達(dá)點(diǎn)云具有局部稀疏性、數(shù)據(jù)量大和動(dòng)態(tài)對(duì)象會(huì)引起噪聲的特征， 這也成為了基于激光點(diǎn)云的SLAM 研究中的難點(diǎn)。與圖像匹配問題相比， 點(diǎn)云的稀疏性使得從源點(diǎn)云和目標(biāo)點(diǎn)云中找到兩個(gè)精確匹配點(diǎn)通常是不可行的， 而且激光掃描儀從不同角度觀察到的同一物體的外觀差異很大， 這就增加了 特征提取的難度。

其次由于激光掃描儀每秒會(huì)產(chǎn)生數(shù)百萬個(gè)點(diǎn)， 需要高效的算法和強(qiáng)大的計(jì)算單元， 對(duì)于算法的實(shí)時(shí)性有著較高的要求。最后動(dòng)態(tài)對(duì)象點(diǎn)云會(huì)引起噪聲干擾， 對(duì)其進(jìn)行處理的方法是否得當(dāng)對(duì)于能否實(shí)現(xiàn)理想的高精度估計(jì)也是至關(guān)重要的。此外， 場(chǎng)景的不斷變化被認(rèn)為是解決 3D激光雷達(dá) SLAM 問題的最大挑戰(zhàn)。

利用激光點(diǎn)云解決 SLAM 中三維地圖的構(gòu)建問題，最早是在 2014 年由卡耐基梅隆大學(xué)的 Zhang 博士等提出的， 即著名的 LOAM(lidar odometry and mapping)［22］算法， 該算法以新穎的方法提取激光點(diǎn)云線面特征減少計(jì)算量， 并創(chuàng)造性的將運(yùn)動(dòng)估計(jì)問題分成兩個(gè)獨(dú)立算法來共同完成， 一個(gè)算法執(zhí)行高頻率的里程計(jì)但是低精度的運(yùn)動(dòng)估計(jì)， 另一個(gè)算法運(yùn)行頻率較低的匹配建圖但返回高精確的運(yùn)動(dòng)估計(jì)， 最終將兩個(gè)數(shù)據(jù)融合成高頻率高精度的運(yùn)動(dòng)估計(jì)， 很好的權(quán)衡了精度和效率， 實(shí)時(shí)性高， 唯一的不足點(diǎn)在于缺少回環(huán)檢測(cè)。

之后 LeGO-LOAM ［47］ 在LOAM 的基礎(chǔ)上衍生出新的框架， 在特征提取上提升輕量化和地面優(yōu)化， 并增加了回環(huán)檢測(cè)， 整個(gè)框架與目前成熟的圖優(yōu)化3D激光雷達(dá)SLAM 方案框架吻合， 構(gòu)建的地圖更加完善。hdl_gragh_slam ［48］ 也是標(biāo)準(zhǔn)的圖優(yōu)化 3D激光雷達(dá) SLAM 框架， 新穎點(diǎn)在于后端優(yōu)化過程中融合了 GPS、IMU 和路面約束信息， 可以更好的構(gòu)建全局一致性地圖。隨著多線激光雷達(dá)的問世， 激光 SLAM 的研究學(xué)者們?cè)谌S激光 SLAM 領(lǐng)域開拓進(jìn)展， 主要的研究熱點(diǎn)與趨勢(shì)也聚焦在圖優(yōu)化 3D 激光雷達(dá) SLAM 框架的關(guān)鍵模塊上。

2. 1 激光慣性里程計(jì)

激光里程計(jì)(LiDAＲ odometry， LO) 僅基于點(diǎn)云配準(zhǔn)算法獲取當(dāng)前幀的全局位姿， 但由于 Lidar 本身會(huì)受稀疏性和運(yùn)動(dòng)擾動(dòng)影響而導(dǎo)致感知準(zhǔn)確度降低， 以及在一些Lidar 退化情況下其感知點(diǎn)數(shù)量會(huì)嚴(yán)重減少， 這都會(huì)使激光里程計(jì)的精度受到較大程度影響。研究學(xué)者們通過融合 IMU 的數(shù)據(jù)來保證和提升激光里程計(jì)的精度。一種類別是松耦合方法， 該方法分別考慮 Lidar 和 IMU 的估計(jì)， 以損失信息為代價(jià)來?yè)Q取較小的計(jì)算負(fù)載。

例如在LOAM 中依賴于 IMU 解算朝向作為輔助但假設(shè)勻速運(yùn)動(dòng)， 將 IMU 作為整個(gè)系統(tǒng)的先驗(yàn)， 但它不能利用 IMU 測(cè)量用于進(jìn)一步優(yōu)化。

另一種類別是緊耦合方法，通過 IMU 測(cè)量提供狀態(tài)預(yù)測(cè)， 同時(shí)測(cè)量更新被用于修正預(yù)測(cè)的狀態(tài)， 領(lǐng)域內(nèi)也稱之為 激 光 慣 性 里 程 計(jì) ( lidar inertial odometry， LIO ) ，LIO_mapping ［49］ 初次提出了 緊耦合的 Lidar-IMU 融合方法，通過聯(lián)合優(yōu)化 IMU 和 Lidar 的測(cè)量數(shù)據(jù)， 即使在 Lidar退化的情況下也沒有明顯漂移， 相較于松耦合的方法， 緊耦合的方法會(huì)使精度大幅提升。

Liom 提出一種新的緊耦合激光慣性里程計(jì)和建圖方法來達(dá)到低漂移和魯棒的位姿估計(jì)，激光慣性里程計(jì)模塊采用誤差狀態(tài)卡爾曼濾波器(ESKF) 來實(shí)現(xiàn)激光掃 描儀和 IMU 的 傳感器融合［50］。

MC2SLAM 提出一種新的緊耦合方法， 把點(diǎn)云畸變補(bǔ)償和點(diǎn)云匹配統(tǒng)一到一個(gè)優(yōu)化任務(wù)中，并在后端使用 IMU 預(yù)積分進(jìn)行位姿優(yōu)化， 精度被進(jìn)一步提高

［51］。LIO-SAM 作為L(zhǎng)eGO-SLAM 的作者，在圖優(yōu)化框架的基礎(chǔ)上實(shí)現(xiàn)緊耦合激光 － 慣性里程計(jì)， 采用的是因子圖而非濾波方式進(jìn)行優(yōu)化［52］。

激光里程計(jì)模塊作為整個(gè)3D 激光雷達(dá) SLAM 方案的基礎(chǔ)模塊， 可直接進(jìn)行位姿估計(jì)與構(gòu)建地圖， 在理想情況下該模塊的輸出結(jié)果可直接導(dǎo)出使用， 其精度直接影響最后的結(jié)果，因此找到一種高效通用的方法實(shí)現(xiàn)激光和慣導(dǎo)數(shù)據(jù)的緊耦合并提升精度仍是未來的研究重點(diǎn)。

2. 2 場(chǎng)景識(shí)別

場(chǎng)景識(shí)別是 SLAM 的關(guān)鍵任務(wù)之一。場(chǎng)景識(shí)別具有兩個(gè)功能， 一是用于歷史場(chǎng)景的識(shí)別， 二是用于相對(duì)于存在地圖的位姿估計(jì)即重定位。Dube 等［53］首次提出基于分割的 3D 點(diǎn)云場(chǎng)景識(shí)別方法 SegMatch， 把傳統(tǒng)基于局部特征和全局特征進(jìn)行場(chǎng)景識(shí)別的方法進(jìn)行了 折中，能夠?qū)崿F(xiàn)實(shí)時(shí)、 可靠的檢測(cè)閉環(huán)。Segmap 方法［54］采用與 Segmatch 相同的基于分割的思想， 提出 了 一種基于深度學(xué)習(xí)的 3D 點(diǎn)云分割描述子， 提升了 定位性能且能夠提取語(yǔ)義信息。

SUMA 方法［55］使用 Surfel 地圖 高效地生成投影數(shù)據(jù)關(guān)聯(lián)并實(shí)現(xiàn)閉環(huán)檢測(cè)， 此前 Surfel 地圖曾被用在 ＲGBD-SLAM 中， SUMA 將其首次應(yīng)用于激光SLAM 中， 該方法只基于激光點(diǎn)云就可以建立大尺度環(huán)境下的全局一致性地圖。

DELIGHT 僅依靠激光雷達(dá)實(shí)現(xiàn)全局定位， 采用 雷達(dá)獲取的反射強(qiáng)度信息而非常規(guī)的距離信息進(jìn)行場(chǎng)景識(shí)別， 算法分為兩個(gè)階段， 包含一個(gè)基于密度描述子的 先驗(yàn)估計(jì)和 一個(gè)基于幾何的驗(yàn)證， 從而解決了“機(jī)器人喚醒”問題［56］。

ISC 方法［57］是基于激光雷達(dá)點(diǎn)云的全局回環(huán)檢測(cè)算法， 利用點(diǎn)云的幾何信息和密度信息構(gòu)建新型全局描述子 ISC。場(chǎng)景識(shí)別的基本能力 是能夠有效地描述地圖 信息， 因此地圖描述的高效性和魯棒性至關(guān)重要， 能夠增加機(jī)器人理解環(huán)境的能力， 幾何信息與語(yǔ)義信息結(jié)合的描述形式將是未來的一個(gè)可能趨勢(shì)。

2. 3 后端優(yōu)化

如何高效的通過后端優(yōu)化來修正運(yùn)動(dòng)位姿和提高構(gòu)建地圖的精度也是研究關(guān)注的熱點(diǎn)之一。C-T SLAM ［58］是一種分層、連續(xù)時(shí)間的 3D 激光雷達(dá) SLAM 算法， 采用高效的局部地圖和分層的優(yōu)化后端， 允許實(shí)時(shí)建圖期間優(yōu)化修正。BALM 將視覺 SLAM 領(lǐng)域中取得極大成功的BA 框架引入激光建圖模塊， 以此降低建圖過程中的累計(jì)誤差［59］。

LIO-SAM 的［52］后端優(yōu)化采用因子圖優(yōu)化， 融合激光里程計(jì)因子、IMU 預(yù)積分因子、GPS 因子和回環(huán)因子， 得到更魯棒的運(yùn)動(dòng)估計(jì)?，F(xiàn)有的后端優(yōu)化都是建立在正確的數(shù)據(jù)關(guān)聯(lián)基礎(chǔ)上的， 否則會(huì)產(chǎn)生錯(cuò)誤的地圖結(jié)果， 這將使得后端優(yōu)化的使用性受到限制， 因此能夠自動(dòng)甄別并刪除錯(cuò)誤的關(guān)聯(lián)數(shù)據(jù)， 實(shí)現(xiàn)在存有錯(cuò)誤約束數(shù)據(jù)的情況下仍能構(gòu)建正確地圖的魯棒性后端優(yōu)化方法也是未來的發(fā)展趨勢(shì)。

2. 4 動(dòng)態(tài)物體

在動(dòng)態(tài)變化的環(huán)境中實(shí)現(xiàn)準(zhǔn)確的定位是一件困難的事情， 大多數(shù)激光 SLAM 方法假設(shè)環(huán)境是靜態(tài)的， 因?yàn)檫@些方法依賴激光提供的測(cè)量， 它們很難處理物體劇烈運(yùn)動(dòng)導(dǎo)致環(huán)境幾何退化的問 題。因此如何在高速運(yùn)動(dòng)場(chǎng)景中實(shí)現(xiàn)魯棒性的位姿估計(jì)亦是研究的熱點(diǎn)之一。

SuMa + +［60］基于 SUMA 框架提出， 利用每幀點(diǎn)云中逐點(diǎn)的語(yǔ)義標(biāo)號(hào)構(gòu)建全局語(yǔ)義地圖， 利用 ＲangeNet + +可靠濾除場(chǎng)景中的動(dòng) 態(tài)物體， 提高構(gòu) 建地圖 的 精度。LIO-LiDAＲ ［61］ 融合激光慣性里程計(jì)(LIO) 和 LiDAＲ 全局定位模塊到一個(gè)位姿圖優(yōu)化框架中， 利用二者的互補(bǔ)性解決動(dòng)態(tài)場(chǎng)景中長(zhǎng)期定位的精準(zhǔn)問題。

LIOM 考慮到動(dòng)態(tài)物體在環(huán)境地圖構(gòu)建過程中的幾何退化， 不利于構(gòu)建大尺度環(huán)境， 設(shè)計(jì)動(dòng)態(tài)物體檢測(cè)模塊用于檢測(cè)和移除每幀的動(dòng)態(tài)物體擾動(dòng)產(chǎn)生的點(diǎn)云［50］。但 LIOM 一次性處理所有測(cè)量， 因此不能達(dá)到較高的實(shí)時(shí)性。

2. 5 結(jié)合深度學(xué)習(xí)

為了有效地利用所有可用的掃描數(shù)據(jù)， 基于深度學(xué)習(xí)的方法為直接從激光雷達(dá)數(shù)據(jù)估計(jì)機(jī)器人的姿態(tài)提供了潛在的解決方案。類似的方法已經(jīng)成功地應(yīng)用于相機(jī)數(shù)據(jù)， 并證明了有希望的結(jié)果［62］。在使用激光雷達(dá)數(shù)據(jù)進(jìn)行基于學(xué)習(xí)的機(jī)器人姿態(tài)估計(jì)領(lǐng)域， 將深度學(xué)習(xí)用于解決 SLAM 問題也逐漸成為趨勢(shì)， 研究人員開始利用深度學(xué)習(xí)方法對(duì) 3D 激光雷達(dá) SLAM 框架中的關(guān)鍵模塊進(jìn)行改進(jìn)， 如 LO-Net ［63］ 、 DMLO ［64］ 、 DeepLO ［65］等針對(duì)激光里程計(jì)任務(wù)設(shè)計(jì)了基于深度學(xué)習(xí)框架的特征匹配估計(jì);百度團(tuán)隊(duì)提出的 DeepICP ［66］ 端到端 3D 點(diǎn)云配準(zhǔn)深度學(xué)習(xí)框架， 考慮到動(dòng)態(tài)對(duì)象的干擾， 充分利用靜態(tài)對(duì)象的顯著特點(diǎn)， 從而達(dá)到高魯棒性; SUMA + +［60］中也利用ＲangeNet + + 網(wǎng)絡(luò)濾除場(chǎng)景中的動(dòng)態(tài)物體。

在閉環(huán)檢測(cè)模塊中利用深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) OverlapNet ［67］ ， 該方法基于 LiDAＲ 數(shù)據(jù)的不同線索搜尋回路閉合， 基于 LiDAＲ 數(shù)據(jù)的不同維度信息搜尋回路閉合， 將里程計(jì)結(jié)果結(jié)合范圍、法向量、強(qiáng)度和語(yǔ)義等信息定義重疊率， 對(duì)閉環(huán)結(jié)果進(jìn)行檢測(cè)、修正。

除以上研究熱點(diǎn)外， 點(diǎn)云匹配算法的優(yōu)化也在不斷創(chuàng)新， 如 Fossel 等［68］提出 一個(gè) LiDAＲ SLAM 前端， 稱之為 NOctoSLAM。該方案使用點(diǎn)面 ICP進(jìn)行幀圖位姿匹配， 并使用 octree 替代傳統(tǒng)的 kd-tree 構(gòu)建地圖， 從而可以快速地尋找數(shù)據(jù)關(guān)聯(lián)和計(jì)算近似法向量。與傳統(tǒng)的基于kd-tree 地圖的點(diǎn)面 ICP 算法相比， 效率提高了 近兩倍。

文獻(xiàn)［69-70］ 考慮到室內(nèi)較于室外多結(jié)構(gòu)化特征環(huán)境的特點(diǎn)， 提出面向室內(nèi) 環(huán)境的激光慣性里程計(jì)方法和點(diǎn)云平面特征提取方法。除此之外， 研究人員還考慮到地圖的長(zhǎng)期重復(fù)定位問題， 如 Egger 等［71］基于 3D 點(diǎn)云特征提出了一種新的點(diǎn)云地圖表示方式 PoseMap， 保證了在動(dòng)態(tài)環(huán)境中機(jī)器人可靠的長(zhǎng)期定位， 新的地圖表示方法允許地圖在線更新擴(kuò)展。

3、

算法評(píng)估測(cè)試

3. 1 數(shù)據(jù)集

研究應(yīng)用 3D 激光雷達(dá) SLAM 的移動(dòng)載體有無人車、無人船以及無人機(jī)， 而目前的激光點(diǎn)云數(shù)據(jù)集主要是針對(duì)自動(dòng)駕駛場(chǎng)景， 室外場(chǎng)景下的數(shù)據(jù)收集工作規(guī)模大而繁瑣， 涉及各種傳感器間的時(shí)間同步、 坐標(biāo)校準(zhǔn)和標(biāo)定等， 公開數(shù)據(jù)集節(jié)省了算法研究的數(shù)據(jù)準(zhǔn)備工作， 提供的序列和基準(zhǔn)框架也有利于算法開發(fā)。

目前領(lǐng)域內(nèi)公開的激光點(diǎn)云數(shù)據(jù)集有:KITTI 數(shù)據(jù)集［72-73］，是目前國(guó)際上最大的自 動(dòng)駕駛場(chǎng)景下的評(píng)測(cè)數(shù)據(jù)集，也是學(xué)術(shù)界最常使用的數(shù)據(jù)集; Waymo 數(shù)據(jù)集［74］， 自動(dòng)駕駛公司 Waymo 的數(shù)據(jù)開放項(xiàng)目 ; PandaSet 數(shù) 據(jù)集［75］， 采集場(chǎng)景位于舊金山， 用以開發(fā)復(fù)雜環(huán)境和極端天氣下安全可控的自動(dòng)駕駛技術(shù); Oxford Ｒobotcar 數(shù)據(jù)集［76］， 由牛津大學(xué)機(jī)器人實(shí)驗(yàn)室提出 的 公開數(shù)據(jù)集;

USVInland 數(shù)據(jù)集［77］， 仿照 KITTI 數(shù)據(jù)集模式， 清華大學(xué)與西北工業(yè)大學(xué)的研究人員 聯(lián)合歐卡智舶公開的一組內(nèi)陸水道中 無人船的多傳感器數(shù)據(jù)集， 也是全球第一個(gè)內(nèi)河場(chǎng)景下包含激光點(diǎn)云數(shù)據(jù)的無人船數(shù)據(jù)集。而針對(duì)無人機(jī)平臺(tái)的激光點(diǎn)云公開數(shù)據(jù)集目 前尚未出現(xiàn)， 學(xué)術(shù)界研究仍多是自收集數(shù)據(jù)。

3. 2 算法性能評(píng)估標(biāo)準(zhǔn)

近年來學(xué)術(shù)界有關(guān) 3D 激光雷達(dá) SLAM 算法的研究幾乎都是在 KITTI 數(shù)據(jù)集上進(jìn)行的［47，51-52，55，57-67］， 該數(shù)據(jù)集是汽車在具有動(dòng)態(tài)對(duì)象和植被的各種道路環(huán)境中駕駛期間捕獲的， 例如高速公路、 鄉(xiāng)村道路和城市區(qū)域， 行駛速度高達(dá) 90 km/h。由車載 Velodyne HDL-64ES2 捕獲的點(diǎn)云已經(jīng)完成去偏移處理， 此外數(shù)據(jù)包中也包含有 IMU、GPS 以及圖像數(shù)據(jù)。

因此， 該數(shù)據(jù)集被允許對(duì)任何由 3D 激光雷達(dá) SLAM 方法獲得的軌跡進(jìn)行評(píng)估， 可以被直接饋送到所提出 的方法中 進(jìn)行評(píng)估比較。對(duì)于所提出的算法性能一般基于以下 3 個(gè)標(biāo)準(zhǔn)進(jìn)行性能評(píng)估:

1) KITTI 官方標(biāo)準(zhǔn)［72-73］:

KITTI 里程計(jì)基準(zhǔn)總共包括 22 個(gè)序列數(shù)據(jù)， 官方只提供 11(序列號(hào)為 00-10) 個(gè)帶有真實(shí)軌跡的數(shù)據(jù)集， 另外 11 (序列號(hào)為 11-21) 個(gè)沒有真實(shí)軌跡的數(shù)據(jù)集序列用于 KITTI 官方的評(píng)估對(duì)比。評(píng)估方式為計(jì)算數(shù)據(jù)集中相對(duì)于真實(shí)軌跡不同長(zhǎng)度(100 ～800 m) 的平移誤差和旋轉(zhuǎn)誤差， 并計(jì)算平均值。

2) 精度指標(biāo):相 對(duì) 位 姿 誤 差 ( relative pose error，ＲPE)［78］用于描述相隔一定時(shí)間 差的兩幀位姿差的精度， 即在用時(shí)間戳對(duì)齊之后， 每隔一段相同時(shí)間分別計(jì)算真實(shí)位姿和估計(jì)位姿的變化量， 然后對(duì)兩者做差， 從而獲得相對(duì)位姿誤差， 之后可以用均方根誤差 ＲMSE 統(tǒng)計(jì)各段時(shí)間的相對(duì)位姿誤差從而獲得總體值; 絕對(duì)軌跡誤差(absolute trajectory error， ATE)［78］描述的是估計(jì)位姿和真實(shí)位姿之間的直接差值， 可以非常直觀地反映算法精度和軌跡的全局一致性。

3) 算法耗時(shí)和處理幀率:作為計(jì)算效率的指標(biāo)， 統(tǒng)計(jì)了處理 KITTI 里程數(shù)據(jù)集的序列所花費(fèi)的時(shí)間并計(jì)算出幀率， 能夠直觀反映計(jì)算負(fù)載和實(shí)時(shí)性能。

除 KITTI 數(shù)據(jù)集等公開數(shù)據(jù)集以外， 也可以使用通過多線激光雷達(dá)錄制的數(shù)據(jù)包， 依據(jù)精度指標(biāo)進(jìn)行激光SLAM 算法的性能評(píng)估。

3. 3 算法性能評(píng)估實(shí)驗(yàn)

本文選取了 6 種目前開源的3D 激光雷達(dá) SLAM 算法進(jìn)行測(cè)試與評(píng)估， 如表 1 所示。我們將其應(yīng)用于機(jī)器人操作系統(tǒng)(robot operating system， ＲOS) 中， 所有的算法都在基于 KITTI 公開數(shù)據(jù)集基準(zhǔn)的實(shí)驗(yàn)中進(jìn)行了評(píng)估和比較。為了評(píng)價(jià)所測(cè)試算法的性能， 在相同的條件下收集實(shí)驗(yàn)結(jié)果， 并進(jìn)行性能度量。

我們將序列號(hào)為 07 的數(shù)據(jù)輸入選取的各算法， 得到構(gòu)建的點(diǎn)云地圖。圖 5 所示為其中具有代表性的 5 種算法所構(gòu)建的點(diǎn)云地圖， SUMA 算法構(gòu)建的點(diǎn)云地圖效果基本相同， 可以看到， 僅憑地圖構(gòu)建效果無法判斷算法在性能上的差異， 僅能在圖 5(e) 判斷 Cartographer 算法在建圖結(jié)果上稍有遜色， 圖 5(e) 中圓圈 A 代表為同一部分的不同視角， 沒有形成閉環(huán)， 因此我們需采用 3. 2 節(jié)所述算法性能評(píng)估標(biāo)準(zhǔn)進(jìn)行評(píng)估。

1) KITTI 官方標(biāo)準(zhǔn)

表 2 列舉了 KITTI 數(shù)據(jù)集中序列號(hào)分別為 00、05 和07 的數(shù)據(jù)測(cè)評(píng)結(jié)果， 該表中數(shù)據(jù)來源于 LITAMIN2 ［79］ 其作者使用 的實(shí)驗(yàn)設(shè)備為 具有 32 GB ＲAM 的 Intel Corei9-9900K和 NVIDIA GeForce ＲTX 2080 Ti 的 臺(tái) 式 機(jī)。

KITTI 官方也提供了專門用于數(shù)據(jù)平移誤差和旋轉(zhuǎn)誤差的精度測(cè)評(píng)工具 KITTI_odometry_evaluation_tool， 其測(cè)評(píng)效果如圖 6 所示。

2) 精度指標(biāo)

本文借助于 evo 測(cè)評(píng)工具進(jìn)行測(cè)試實(shí)驗(yàn)， 主要通過精度指標(biāo) ＲPE 以及 ATE 對(duì)算法性能評(píng)估。實(shí)驗(yàn)硬件設(shè)備為具有 16 GB ＲAM 的 Intel Core i7-10700 和 NVIDIA GeForce ＲTX 3070 的 臺(tái) 式 機(jī)， 系 統(tǒng) 環(huán) 境 為 基 于Ubuntu18. 04 操作系統(tǒng)的 ＲOS 系統(tǒng)。選取了 KITTI 數(shù)據(jù)集中序列號(hào)為 00、05 和 07 的數(shù)據(jù)進(jìn)行算法的測(cè)試評(píng)估。

如圖 7 所示， 對(duì)比的是 00 序列數(shù)據(jù)五種算法最終輸出的軌跡和位姿結(jié)果， 其中 KITTI_00_gt 虛線表示的是該序列的軌跡真值。從圖 7(a) 中 y 方向可以較為直觀的得出 hdl_graph_slam 和 LIO-SAM 算法的輸出結(jié)果最貼近真實(shí)軌跡， 說明該算法較其他算法有更加精確的估計(jì)軌跡。

圖 7(b) 中可以看出姿態(tài)角每個(gè)算法輸出相較于真實(shí)值各不相同， 但從俯仰角(pitch) 也可以看出 hdl_graph_slam 和 LIO-SAM 算法的輸出結(jié)果最貼近真實(shí)值。如圖 8 所示， 通過 evo 工具得到的 LeGO-LOAM 算法輸出軌跡平移誤差的 ATE、 ＲPE 結(jié)果， 圖中的 APE 等同于 ATE。表 3 中統(tǒng)計(jì)了除 Cartographer 算法 00 序列 5 種算法平移誤差 ATE、 ＲPE 的 rmse 數(shù)據(jù)， 表中數(shù)據(jù)也映證了 LIO-SAM 算法較于其他算法在軌跡誤差上的優(yōu)越性。

3) 算法耗時(shí)和處理幀率

本文測(cè)試實(shí)驗(yàn)對(duì) 5 種算法的耗時(shí)和處理幀率進(jìn)行了統(tǒng)計(jì)， 表 4 數(shù)據(jù)為本文實(shí)驗(yàn)統(tǒng)計(jì)數(shù)據(jù)， 硬件設(shè)備為16 GB ＲAM 的 Intel Core i7-10700 和 NVIDIA GeForceＲTX3070。

表 4 數(shù)據(jù)可以看到， Lego-LOAM 算法在耗時(shí)和處理幀率上表現(xiàn)最佳， SUMA 算法緊隨其后， LIO-SAM 算法也有著不凡的表現(xiàn)， LOAM 和 hdl_graph_slam 兩種算法表現(xiàn)一般， 而 Cartographer 算法相較其他算法的實(shí)時(shí)性差距過大， 在實(shí)時(shí)建圖需求下并非良好的選擇。

本測(cè)試實(shí)驗(yàn)中， 除了 Cartographer 算法其他算法均實(shí)現(xiàn)了實(shí)時(shí)性， 甚至可以加速處理。依據(jù)表 3 和表 4 的測(cè)試數(shù)據(jù)， Lego-LOAM 雖然優(yōu)化 LOAM 算法框架實(shí)現(xiàn)了計(jì)算上的輕量化， 使得算法在計(jì)算效率上大幅提升， 但在精度方面卻有所欠缺; 所選算法中 LIO-SAM 算法在精度方面展現(xiàn)出優(yōu)越性的同時(shí)， 實(shí)時(shí)性也得到了保障， 在所選取的算法中表現(xiàn)優(yōu)越; Cartographer 算法雖然在室內(nèi) 2D 建圖上性能較為優(yōu)越， 但在室外大范圍環(huán)境中實(shí)現(xiàn) 3D 建圖

則捉襟見肘。

4、

技術(shù)應(yīng)用趨勢(shì)分析

3D 激光雷達(dá) SLAM 技術(shù)近年來的蓬勃發(fā)展是有目共睹的， 其核心課題是同步定位與地圖創(chuàng)建。我們針對(duì)3D 激光雷達(dá) SLAM 技術(shù)應(yīng)用領(lǐng)域， 運(yùn)用 Citespace 進(jìn)行科學(xué)知識(shí)圖譜繪制， 從而研究技術(shù)應(yīng)用趨勢(shì)。我們分別從CNKI 學(xué)術(shù)期刊庫(kù)和 WOS 核心合集檢索到文獻(xiàn)的關(guān)鍵詞共現(xiàn)分析結(jié)果， 圖 9 展示了檢索文獻(xiàn)的關(guān)鍵詞聯(lián)合突現(xiàn)分析結(jié)果， 針對(duì) 2000 ～2021 年的論文， 其中 CNKI 檢索主題詞為“3D 激光雷達(dá) SLAM”， WOS 檢索主題詞為“3D Lidar SLAM”， 再對(duì)文獻(xiàn)進(jìn)行領(lǐng)域相關(guān)篩選， 最終得到與3D 激光雷達(dá) SLAM 技術(shù)應(yīng)用領(lǐng)域密切相關(guān)的 207 條中文文獻(xiàn)和 346 條英文文獻(xiàn)。從共現(xiàn)結(jié)果可以看到， 目前應(yīng)用領(lǐng)域主要包括移動(dòng)機(jī)器人領(lǐng)域和測(cè)繪領(lǐng)域。

移動(dòng)機(jī)器人領(lǐng)域: 當(dāng)下服務(wù)型機(jī)器人已經(jīng)成為 3D 激光雷達(dá) SLAM 技術(shù)的熱門應(yīng)用場(chǎng)景， 主要有物流配送機(jī)器人，導(dǎo)游機(jī)器人，巡檢機(jī)器人等。從原理上來說， 無人駕駛汽車也屬于移動(dòng)機(jī)器人，目前無人駕駛領(lǐng)域的裝備競(jìng)演愈發(fā)火熱，隨著城市物聯(lián)網(wǎng)和智能系統(tǒng)的完善， 無人駕駛已是大勢(shì)所趨。無人船、無人機(jī)移動(dòng)載體能夠規(guī)避障礙物、路徑規(guī)劃，實(shí)現(xiàn)自主智能化也需要 SLAM 技術(shù)的支持。針對(duì)單個(gè)平臺(tái)激光雷達(dá)建圖周期長(zhǎng)、算力需求大的現(xiàn)狀， 研究多車協(xié)同建圖方法， 增加平臺(tái)間的地圖重用性， 提高建圖效率，實(shí)現(xiàn)有效負(fù)載均衡是未來發(fā)展的趨勢(shì)。

測(cè)繪領(lǐng)域: 高效實(shí)時(shí)地獲取 3D 精細(xì)化模型， 對(duì)目標(biāo)區(qū)域進(jìn)行快速三維重建是測(cè)繪領(lǐng)域的核心課題，3D 激光雷達(dá) SLAM 技術(shù)使得實(shí)時(shí)快速重建成為可能， 現(xiàn)下已成功應(yīng)用于各種移動(dòng)測(cè)繪平臺(tái)，如移動(dòng)背包 SLAM、 手持SLAM 掃 描 系 統(tǒng)、 推 車 SLAM、 無 人 機(jī) SLAM、 無 人 船SLAM 等， 應(yīng)用場(chǎng)景有室內(nèi)測(cè)繪、礦井測(cè)繪、林業(yè)測(cè)量、工地測(cè)量， 海洋平臺(tái)測(cè)繪等。

由于測(cè)繪需求的高精度， 多數(shù)移動(dòng)測(cè)繪平臺(tái)無法分配更多的計(jì)算資源用于后端優(yōu)化構(gòu)建， 一般采用離線處理或?qū)?shí)時(shí)數(shù)據(jù)上傳到高性能服務(wù)器上進(jìn)行計(jì)算， 從而取得高精度重建結(jié)果。在保證精度的前提下， 如何改進(jìn)優(yōu)化算法提高數(shù)據(jù)處理速度實(shí)現(xiàn)實(shí)時(shí)性， 如何克服大量相似場(chǎng)景間的誤匹配， 仍是未來探索的方向和難點(diǎn)。

結(jié) 論

3D 激光雷達(dá) SLAM 算法在傳統(tǒng)關(guān)鍵模塊上仍需實(shí)現(xiàn)更好的輕量化、 精確性、 魯棒性以及通用化， 語(yǔ)義地圖和深度學(xué)習(xí)的融入已成為趨勢(shì)， 與其他能實(shí)現(xiàn)自 主定位源的傳感器如深度相機(jī)、 毫米波雷達(dá)等進(jìn)行多源融合亦是當(dāng)前研究熱點(diǎn)，3D 激光雷達(dá) SLAM 技術(shù)對(duì)無人平臺(tái)實(shí)現(xiàn)自主智能化的發(fā)展必將產(chǎn)生深遠(yuǎn)影響。

本文依據(jù)梳理的算法性能評(píng)估標(biāo)準(zhǔn)對(duì)開源算法進(jìn)行了測(cè)試實(shí)驗(yàn)， 并初步得出評(píng)估結(jié)論， 而由于算法的開源性問題， 如 LOAM 算法原項(xiàng)目 未開源， 以及 hdl_graph_slam和 LIO-SAM 算法融入了 GPS 數(shù)據(jù)， 受實(shí)驗(yàn)條件和開源算法輸入限制， 本文僅利用點(diǎn)云和 IMU 數(shù)據(jù)進(jìn)行測(cè)試， 實(shí)驗(yàn)本身還具有一定缺陷， 無法對(duì)各算法進(jìn)行更加深入的測(cè)試評(píng)估， 在未來工作中我們將嘗試融入多源數(shù)據(jù)， 進(jìn)行更加全面且深刻的研究。