無人駕駛車輛與移動(dòng)機(jī)器人SLAM方法綜述

中國礦業(yè)大學(xué)（北京） 景元泉 王躍輝 韓 偉 鄒 恒 鄒宇杰

當(dāng)今時(shí)代大力發(fā)展人工智能技術(shù)，越來越多的自動(dòng)駕駛車輛出現(xiàn)在生活中這離不開SLAM的發(fā)展。SLAM即同步定位與地圖構(gòu)建，無人駕駛汽車與自主移動(dòng)機(jī)器人的實(shí)現(xiàn)主要解決定位精度以及其即時(shí)性、環(huán)境地圖構(gòu)建的準(zhǔn)確定、導(dǎo)航、路徑規(guī)劃的計(jì)算四個(gè)問題，其中SLAM扮演非常重要的作用，SLAM主要用于解決未知環(huán)境中即時(shí)定位、地圖構(gòu)建與導(dǎo)航的問題。本文主要對SLAM的幾種分類進(jìn)行描述與總結(jié)，并對SLAM的未來發(fā)展趨勢進(jìn)行預(yù)測。

1 SLAM的經(jīng)典框架

SLAM的經(jīng)典框架主要是由傳感器、視覺里程計(jì)、后端、閉環(huán)檢測、建圖五個(gè)部分所組成。傳感器和視覺里程計(jì)在視覺SLAM中屬于前端，傳感器主要用于環(huán)境信息的采集，視覺里程計(jì)的目的是根據(jù)傳感器將其采集到的圖像數(shù)據(jù)估計(jì)其位姿，后端是將視覺里程計(jì)所形成的不同時(shí)刻位姿信息整理優(yōu)化得到完整的環(huán)境地圖。閉環(huán)檢測環(huán)節(jié)是個(gè)反饋環(huán)節(jié)，它通過對傳感器、視覺里程計(jì)、后端三個(gè)環(huán)節(jié)的信息進(jìn)行比對來判斷機(jī)器人移動(dòng)的位置是否存在漂移或重復(fù)，若存在則將其信息反饋至后端。經(jīng)過前四個(gè)環(huán)節(jié)后，得出最后的建圖信息。

在實(shí)際使用當(dāng)中還需依據(jù)經(jīng)典框架進(jìn)行完善。單一的傳感器所采集的信息有著很多的局限性，對于一些精度要求極高的機(jī)器人來說，需要多傳感器融合。機(jī)器人是否可以成功建圖，很大一部分取決于閉環(huán)檢測，閉環(huán)檢測成功可以極大的減小建圖的誤差，提高建圖的精準(zhǔn)度，從而使機(jī)器人更加快速、準(zhǔn)確的避障。

2 激光雷達(dá)

激光雷達(dá)有著很高的精度和分辨率，其基本原理是由發(fā)射系統(tǒng)向被測目標(biāo)發(fā)射激光，與目標(biāo)作用產(chǎn)生返回信號(hào)，再將返回信號(hào)與發(fā)射信號(hào)進(jìn)行對比和處理，獲取位置、速度等所需信息。激光雷達(dá)建圖性價(jià)比很高，在花費(fèi)較少的情況下也可以得到比較精確的圖像；由于采用激光獲取信息，所以信息獲取的速度很快，從而使建圖也很迅速。不僅如此，激光雷達(dá)自動(dòng)化程度也很高，對于人工的依賴性比較小。但是它也有著一些缺點(diǎn)，譬如會(huì)受到惡劣環(huán)境的影響、對信息計(jì)算處理能力的要求較高等。激光SLAM主要分為2D激光SLAM和3D激光SLAM。2D激光SLAM是利用激光雷達(dá)獲取二維數(shù)據(jù)，并利用二維數(shù)據(jù)進(jìn)行定位與建圖；3D激光SLAM是利用三維數(shù)據(jù)，對三維空間進(jìn)行定位與建圖。在使用時(shí)，一般室內(nèi)采用2D激光SLAM，室外采用3D激光SLAM。

2.1 2D激光SLAM

2D激光SLAM技術(shù)目前已經(jīng)較為成熟并推廣應(yīng)用，有了一套比較完整的實(shí)現(xiàn)流程，實(shí)現(xiàn)方案也已經(jīng)有了很多種。

SLAM經(jīng)典算法：

（1）Gmapping

Gmapping是一種基于濾波的SLAM算法，采用RBPF的方法，先定位后建圖，每一個(gè)粒子都會(huì)單獨(dú)建立一個(gè)地圖。該算法實(shí)現(xiàn)時(shí)間早，是目前比較成熟和可靠的算法，應(yīng)用也非常廣泛。該算法在室內(nèi)小場景和低特征環(huán)境下，具有較高的精度，魯棒性較高，對傳感器的頻率要求并不是很高，同時(shí)計(jì)算量也很小。但是，Gmapping對于里程計(jì)的要求很高，在進(jìn)行比較大的或者是復(fù)雜的場景下，計(jì)算量會(huì)大大增加，而且由于回環(huán)檢測的缺乏，誤差會(huì)不斷累積，建模的效果會(huì)比較差。

（2）Cartographer

Cartographer是由谷歌公司于2016年發(fā)布的基于圖優(yōu)化的SLAM算法。谷歌公司在該算法種引入閉環(huán)檢測，對建圖過程中產(chǎn)生的誤差進(jìn)行消除，從而提高在大規(guī)模場景下建圖的精度。Cartographer將測得的環(huán)境數(shù)據(jù)進(jìn)行處理，生成柵格地圖，將生成的子圖與上一次掃描所獲得的子圖進(jìn)行比對，并插入到上一次的子圖中進(jìn)行子圖更新優(yōu)化。當(dāng)沒有新的子圖插入時(shí)，完整子圖的構(gòu)建就完成了。當(dāng)完成多個(gè)完整子圖的構(gòu)建以后，后端會(huì)開始進(jìn)行回環(huán)檢測，對前面建立的子圖進(jìn)行優(yōu)化，并且消除累計(jì)誤差。

2.2 3D激光SLAM

3D激光SLAM現(xiàn)在一般用于室外地圖構(gòu)建，在智能車和無人機(jī)等領(lǐng)域中，有著廣泛的用途，是目前很熱門的研究方向。

經(jīng)典算法：

（1）LOAM

LOAM SLAM于2014年由張吉等人提出，是一種低漂移實(shí)時(shí)激光雷達(dá)測距建圖算法，是比較老的一種3DSLAM算法。這種算法將定位與建圖分開，用兩個(gè)不同算法分別加以實(shí)現(xiàn)然后再結(jié)合，保證實(shí)時(shí)性和精度要求。但是這種算法沒有回環(huán)檢測環(huán)節(jié)，因此算法產(chǎn)生的漂移誤差會(huì)隨時(shí)間不斷增加。現(xiàn)在LOAM已經(jīng)不再開源，但是之后的許多開發(fā)者對該算法的一些思想和方法進(jìn)行借鑒，產(chǎn)生了一些基于LOAM改進(jìn)的算法。

（2）SegMap

SegMap是Seg Match的改進(jìn)算法，同樣是基于數(shù)據(jù)驅(qū)動(dòng)。SegMap進(jìn)行建圖是使用了數(shù)據(jù)驅(qū)動(dòng)描述，在進(jìn)行3D片段建圖以后引入數(shù)據(jù)驅(qū)動(dòng)的片段描述符，然后對語義信息進(jìn)行提取，用于提高對環(huán)境變動(dòng)的魯棒性，但該算法會(huì)產(chǎn)生漂移，并隨著時(shí)間不斷累積。

隨著激光SLAM算法的不斷應(yīng)用和發(fā)展，現(xiàn)有算法會(huì)不斷進(jìn)行完善，也將會(huì)有許多開發(fā)者研究出更加優(yōu)秀的算法，推動(dòng)激光SLAM技術(shù)的不斷發(fā)展。

3 視覺SLAM

視覺SLAM主要可以分為三類：單目視覺SLAM、雙目視覺SLAM和RGB-D SLAM。單目視覺SLAM只利用一個(gè)相機(jī)作為外部傳感器，可分為基于概率框架的單目視覺SLAM和非概率框架的單目視覺SLAM。雙目視覺屬于使用兩個(gè)相機(jī)作為傳感器的立體視覺SLAM，利用兩個(gè)相機(jī)從不同角度拍攝的三維場景圖像進(jìn)行三維重建，通過立體匹配算法尋找對應(yīng)同一三維點(diǎn)的投影點(diǎn)對、計(jì)算兩張圖像的視差圖，再根據(jù)三角化原理估計(jì)深度信息，以恢復(fù)場景的三維結(jié)構(gòu)。RGB-D SLAM則將RGB-D相機(jī)與紅外傳感器相結(jié)合，得到的圖像包括普通的RGB彩色圖像和深度信息圖像，在普通相機(jī)的基礎(chǔ)上增加了深度測量的功能，可以得到每個(gè)像素點(diǎn)的具體深度信息。

雖然近三十年來視覺SLAM技術(shù)取得了積極進(jìn)展和長足進(jìn)步，但是仍然存在諸多不足之處，例如相機(jī)拍攝精度不高、數(shù)據(jù)處理計(jì)算量大、不同SLAM相機(jī)在不同的環(huán)境下有各自優(yōu)缺點(diǎn)等問題。主要表現(xiàn)為：（1）拍攝相機(jī)選擇問題。視覺SLAM依賴的是相機(jī)，相機(jī)本身質(zhì)量，拍攝環(huán)境的影響因素等都會(huì)影響相機(jī)標(biāo)定的精度，同時(shí)影響圖像質(zhì)量。高質(zhì)量相機(jī)拍攝區(qū)域大，但也要考慮到成本問題，低成本相機(jī)分辨率不夠高，影響精度。（2）特征檢測與匹配算法問題。視覺SLAM算法在實(shí)現(xiàn)時(shí)需要地圖表示、信息感知、數(shù)據(jù)關(guān)聯(lián)、定位與構(gòu)圖問題。圖像特征檢測與匹配算法對傳感器位姿初始情況有重要影響，其處理速度、效率與性價(jià)比問題仍有待進(jìn)一步提高。（3）后端優(yōu)化問題。后端優(yōu)化是減小成圖誤差、提高建圖精度的主要方法，目前仍有待改善。

4 其它傳感器

4.1 毫米波傳感器

毫米波雷達(dá)的傳播過程就是發(fā)射一段毫米波后，當(dāng)它遇到障礙物就立即發(fā)生反射，將反射的波由傳感器接受，然后計(jì)算位置的距離和環(huán)境的構(gòu)建。由于采用的是反射原理，毫米波的傳播過程中就會(huì)容易受空氣中水分子的影響，導(dǎo)致毫米波頻率被有選擇地吸收和分射。整個(gè)毫米波頻率段有四個(gè)傳播頻段，每個(gè)波段的可用帶寬可容納幾乎所有低頻頻段，包括微波。由此可以大致得出毫米波的一些優(yōu)勢：多頻段、大帶寬、細(xì)口徑。

憑借一個(gè)毫米波雷達(dá)的多頻段的特點(diǎn)，容易推斷出使用不同頻段的區(qū)間配合以及頻段的寬頻帶擴(kuò)頻來提高抗頻率干擾強(qiáng)度。由于毫米波雷達(dá)的天線小又輕、高精度測量的特點(diǎn)，毫米波雷達(dá)的安裝占地位置小適合各種狹小環(huán)境的測量。

4.2 仿生聲吶

聲吶傳感器SLAM只是對環(huán)境表面的初步構(gòu)建，而仿生聲吶采用的是仿照動(dòng)物界蝙蝠的回聲定位。通過模擬蝙蝠的聲吶發(fā)射和聲波接收來實(shí)現(xiàn)在復(fù)雜的環(huán)境中，它對復(fù)雜環(huán)境的地圖構(gòu)建和定位。

通過聲納傳感器發(fā)射的信號(hào)，由返回回來的回波信號(hào)被智能車接收后，經(jīng)過車內(nèi)的仿生聲吶模板，生成局部場景細(xì)胞，同時(shí)智能車不斷地更新里程計(jì)和轉(zhuǎn)角傳感器來構(gòu)建出位姿細(xì)胞。位姿細(xì)胞是用來判斷智能車的位置與狀態(tài)。若仿生聲吶出現(xiàn)問題，位姿細(xì)胞的修正需要借助WiFi指紋模板的數(shù)據(jù)采集，同時(shí)借助局部場景細(xì)胞一起修正來輔助位姿細(xì)胞進(jìn)行地圖的構(gòu)建與定位。在BatSlam的基礎(chǔ)上，借用WiFi指紋模板進(jìn)行位姿的輔助修正，是BatSLAM的一種創(chuàng)新。此方法既可提高二維地圖的構(gòu)建和定位的準(zhǔn)確性與精度，也降低了環(huán)境信息的失真率。

結(jié)束語：目前，通過給機(jī)器人配備各類傳感器來進(jìn)行SLAM的位置定位與地圖構(gòu)建已經(jīng)出現(xiàn)多樣多樣的處理方法。早期的激光雷達(dá)SLAM的應(yīng)用已經(jīng)發(fā)展趨于成熟，但是使用激光雷達(dá)進(jìn)行SLAM的劣勢開始慢慢展現(xiàn)出，無法探測出環(huán)境的數(shù)據(jù)信息，價(jià)格偏貴。然后開展了視覺傳感器SLAM的研究，解決了環(huán)境數(shù)據(jù)采集的問題，同時(shí)價(jià)格便宜，但是又出現(xiàn)了測量精度低和測距能力不足的問題，慢慢地發(fā)展到如今激光與視覺SLAM的融合處理?，F(xiàn)階段的融合處理SLAM發(fā)展過晚，有許多問題出現(xiàn)。為了解決各種問題，就逼迫了各種各樣符合解決問題的傳感器，未來可能的發(fā)展就是所有傳感器一齊融合SLAM的研究。