同步定位与建图技术研究进展_马志艳.pdf

引用格式:马志艳，邵长松，杨光友，等 同步定位与建图技术研究进展 J 电光与控制，2023,30(3):78-85,106 MA Z Y,SHAO C S,YANG G Y,etal Research progress of SLAM technology J Electronics Optics Control,2023,30(3):78-85,106同步定位与建图技术研究进展马志艳1，2，邵长松1，杨光友1，2，李辉1(1 湖北工业大学，武汉430000;2 湖北省农机装备智能化工程技术研究中心，武汉430000)摘要:同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑，成为当今的研究热点。介绍了 SLAM 技术的发展历程及主要传感器，梳理了基于视觉、激光雷达以及多传感器融合的 SLAM 技术，并对常见的 SLAM 算法进行归纳总结，对比分析各实现方案的优缺点。最后探讨了 SLAM 的技术难题和发展趋势。关键词:同步定位与建图;激光雷达;视觉相机;多传感器融合;自主移动机器人中图分类号:TP242文献标志码:Adoi:10 3969/j issn 1671 637X 2023 03 014Research Progress of SLAM TechnologyMA Zhiyan1,2,SHAO Changsong1,YANG Guangyou1,2,LI Hui1(1 Hubei University of Technology,Wuhan 430000,China;2 Hubei Province Agricultural MachineryEquipment Intelligent Engineering Technology Research Center,Wuhan 430000,China)Abstract:Simultaneous Localization and Mapping(SLAM)technology is the main technical support ofautonomous mobile robot and has become a research hotspot today The development history and mainsensors of SLAM technology are introduced,then the SLAM technology based on vision,lidar and multi-sensorfusion is sorted out,and the common SLAM algorithms are summarized The advantages and disadvantages ofeach implementation scheme are compared and analyzed Finally,the technical problems and developmenttrends of SLAM are discussedKey words:SLAM;lidar;vision camera;multi-sensor fusion;autonomous mobile robot1概述随着科学技术和人工智能的迅速发展，移动机器人已广泛应用于多个领域，例如在工业上的机械臂装置、AGV 军事上的无人侦察车、侦察飞行器，商业上的各种服务型机器人及消毒服务车、无人物流车等。这些机器人的正常工作都需要自主导航功能 1 2，与 SLAM(Simultaneous Localization and Mapping)技术密不可分，也正是因为这样，SLAM 技术成为当今研究热点。1986 年，ICRA 会议上首次提出 SLAM，其最先用于军事机器人领域3 4，先后经历古典时期、算法分析时期和鲁棒性时期5。现阶段各类 SLAM 技术均展现出独特的应用优势。激光 SLAM 精度高、发挥稳定、不受环境光影响;视觉 SLAM 具有超强的场景辨识能力、可以应对高动态环境;多传感器融合的 SLAM 吸收各收稿日期:2022-02-22修回日期:2022-03-08基金项目:国家重点研发计划子课题(2017YFD0700603，2018YFD0701002-03);湖北省技术创新重大项目(2017ABA164)作者简介:马志艳(1976)，男，湖北武汉人，博士，副教授。传感器的优点，其性能更优6 8。历经 30 多年发展，各领域已经出现了许多成熟的应用方案，SLAM 技术发展历程如图 1 所示。图 1SLAM 技术的发展历程Fig 1Development history of SLAM technologyVol 30No 3Mar 2023第 30 卷第 3 期2023 年 3 月电光与控制Electronics Optics Control马志艳等:同步定位与建图技术研究进展2SLAM 技术主要传感器2 1激光雷达激光雷达分为 2D 激光雷达和 3D 激光雷达。相比于 3D 激光雷达，2D 激光雷达能够识别平面的障碍物信息，扫描速度快、分辨率强、可靠性高，能够有效避免光照的干扰，其价格相对便宜，在角频率及灵敏度上反应更快捷，测试的距离和精度更加精准，但 2D 激光雷达不能测量物体高度，故常用于服务型机器人。3D激光雷达能够识别高度信息，并可以实时获取按比例还原的 3D 扫描图9，应用场景更为复杂，对性能的要求更高，但测量距离受天气影响较大10，且价格昂贵，一般应用于无人驾驶领域。2 2视觉相机相机分为单目相机、双目相机、深度相机。单目相机结构简单、成本较低，但由于结构问题限制，无法获取环境的深度信息11。双目相机12 解决了单目相机测量深度信息问题，但是受基线与分辨率限制测量深度有限，多用于室内小环境中。相比于单目相机，双目相机精度明显提高，但是计算复杂度高、负荷大9。深度相机能够直接测出深度信息和色彩，操作简单，采集信息速度快，但其成本较高，受视场角与分辨率的限制，适用于室内环境。SLAM 主要传感器优缺点分析如表 1 所示。表 1SLAM 主要传感器优缺点分析Table 1Analysis on advantages and disadvantages ofmain sensors of SLAM传感器 类型优点缺点激光雷达2D扫描速度快、分辨率强无法测量物体高度信息3D可以实时获取按比例还原环境信息价格昂贵，易受天气影响视觉相机单目结构简单，成本低无法获取深度信息双目可测深度信息，精度较高计算复杂，负荷大深度可测深度信息，速度快，数据丰富成本高，受视场角与分辨率的限制3SLAM 常见实现算法SLAM 实现包括传感器数据、前端匹配、后端优化、回环检测及建图等 5 个模块。大致工作流程如图 2 所示。传感器采集环境信息原始数据，进行预处理;前端估计相对位置和自身位姿;后端对累计误差进行优化;根据前端与后端得到的移动轨迹建立地图;回环检测考虑不同时刻的图像，提供空间累积误差消除。图 2SLAM 系统经典框架Fig 2The classic framework of SLAM systemSLAM 算法依据不同，分类也各不相同。依据算法不同，可分为基于滤波算法和基于优化算法;依据图像特征是否加入状态向量，可分为松耦合和紧耦合。本文依据所采用传感器的不同，分为激光 SLAM、视觉SLAM 和多传感器融合的 SLAM，如图 3 所示。图 3SLAM 的分类Fig 3Classification of SLAM3 1基于激光传感器的 SLAM 算法激光 SLAM 根据关键算法理论不同分为基于滤波的激光 SLAM 和基于图优化的激光 SLAM。滤波器算法的核心思想是概率问题，有 KF/EKF 和PF 两类，KF/EKF 原理简单，小场景下收敛性好，存在线性化及更新效率等问题，不能满足大规模的环境13;PF支持非线性、非高斯系统，但存在粒子退化现象。图优化算法的核心思想是实时构建位姿，提出图优化框架，分为前端和后端，前端负责扫描匹配、特征提取和数据关联，后端负责位姿图优化，增加了回环检测，修正累计误差。可适用于室外和室内的大尺度环境中，鲁棒性较好，但计算量偏大。3 1 1基于滤波器的算法1988 年由 SMITH，SELF 等提出一种空间状态不确97第 3 期定性估计 SLAM 问题14，主要是基于概率估计的研究，此后，学者们先后提出多种 SLAM 算法。卡尔曼滤波(Kalman Filter，KF)算法只适用于线性系统 15。1987 年，SELF 等提出了扩展卡尔曼滤波(EKF)SLAM 方案16，很好地解决了 KF 存在的不足17;JULIER 等针对 EKF计算量复杂、精度低等问题，提出一种改进的无迹卡尔曼滤波(UKF)，适用于线性假设下的标准卡尔曼滤波体系18。粒子滤波(Particle Filter，PF)思想最早在 20 世纪中叶提出19。相比于卡尔曼滤波算法，粒子滤波的思想基于蒙特卡罗方法，它摆脱了高斯分布的制约，也对变量参数的非线性特性有更强的建模能力。1993 年，GORDON 等提出了非线性滤波算法，是基于惯序重要性采样的粒子滤波器20，应用于机器人视觉跟踪、导航和数据处理等多个领域，正式拉开了粒子滤波算法的序幕。但在高维状态空间中采样时，粒子滤波的效率很低。RBPF(Rao-Blackwellized Partical Filter)算法21 的提出，巧妙地将 Rao-Blackwellized 算法与 PF 算法相结合，将状态空间通过降维的方法减少计算量，提高效率。2002 年，MONTEMERLO 等提出了 FastSLAM1 0 算法22 和 FastSLAM20 算法23。将 EKF 算法和 PF 算法相融合，把 SLAM 问题分解成机器人定位问题和环境特征位置估计问题，用 PF 算法做路径的位置估计，用 EKF 估计环境特征的位置。融合了 EKF 和 PF 算法的优点，既降低了计算的复杂度，提高了效率，又具有较好的鲁棒性。FastSLAM 算法存在两个问题:1)在大尺度环境中，内存消耗严重;2)粒子耗散问题影响了地图的构建24。GRISETTI 等在2005 年对 FastSLAM 算法进行了优化，于2007 年开源了 Gmapping 算法25，该算法依赖于里程计信息，多用于小尺度环境中。于是 2010 年 BLANCO 等提出了更加优化的 optimal-RBPF 方案26。312基于图优化的算法基于图优化的 SLAM 方案最早由 LU 等在 1997 年提出 27，由于没有考虑到系统的稀疏性，并没有得到广泛应用。2010 年，首个基于图优化框架的开源方案由文献 28 提出 Karto-SLAM，才再一次激起学者的探究。认识到系统的稀疏性问题，改善了之前的不足。2011 年，KOHLBRECHER 等提出的 Hector-SLAM 方案29，不需要里程计，对激光雷达数据测量频率要求较高;2016 年10 月，Google 公司对 Karto SLAM 进行了优化，开源了Cartographer 方案30，前端负责特征提取和数据关联，后端负责位姿图优化，累计误差较低，建图效果好。在3D 激光SLAM 研究中，最早是在2014 年由 ZHANG等提出的 LOAM(Lidar Odometry and Mapping)方案31，将运动估计问题分成执行高频率、但低精度的运动估计和运行频率较低、返回高精确的运动估计，最终将两个数据融合，实时性高，不足点在于缺少回环检测;2018年，DESCHAUD 提出仅基于三维激光雷达数据的低漂移SLAM 算法 IMLS-SLAM(Implicit Moving LeastSquares-SLAM)方案32，该方案不依赖相机、GPS 和IMU 等传感器，而依赖于扫描到模型匹配框架;同年 6月，BEHLEY 等提出 SUMA 方法33，该方法对旋转激光传感器获得的三维