關于移動機器人室內SLAM技術的研究

晉峰高 劉猛 谷月

摘 要 隨著科技不斷進步，網絡的迅速發展，以往不被重視的機器人也慢慢地走進了大家的視野中，在各行各業有越來越多的分量。由于在室內或者一些信號不好的場地中，機器人的移動會受到地圖信息的不準確的限制，從而大大降低了機器人的可利用價值。因此，當前的主流問題是解決移動機器人在室內自主定位與地圖構建的問題，相對較好的技術就是激光雷達SLAM技術。本文對SLAM技術進行分析總結。

關鍵詞 移動機器人;即時定位與地圖構建;SLAM

引言

激光雷達即時定位與地圖構建技術既是激光雷達SLAM技術。SLAM技術最初是由HughDurrant—Whyte和John J.Leonard提出，其目的是為了解決移動機器人在未知環境中運行時導航與地圖構建的問題。其實從未知的位置和未知的環境中開始，機器人在移動過程中通過反復觀察環境的特征來定位自己的位姿，然后根據自己的位置構建周圍環境的增量式地圖，以便達到同時定位和地圖構建。定位是近幾年來的熱點和難點。定位技術取決于環境和對成本、精度、頻率和魯棒性的要求。SLAM配備激光雷達、攝像頭、IMU和其他傳感器在最近幾年比較興起。而激光雷達主要分為基于圖優化的Graph-based SLAM算法和基于粒子濾波的SLAM（GMapping）算法[1]。

1基于濾波和圖優化的SLAM

SLAM問題的處理方法主要分為濾波和圖優化兩類。濾波的方法中常見的就是擴展卡爾曼濾波（EKF-SLAM）、FastSLAM，粒子濾波、信息濾波等。EKF-SLAM提出較早，因為定位是為了導航，所以要求必須是柵格地圖，而EKF-SLAM是特征地圖;然而FastSLAM是較早的真正意義上可以實現SLAM的算法，可以實現較大的柵格地圖。Gampping是柵格地圖版本的FastSLAM，并且加入了Scan-matching模塊來優化。在應用最廣泛的2DSLAM算法中采用了粒子濾波方法，依賴里程計，可以達到實時構建室內地圖，在較小的場景下構建的地圖精度高且計算量小[2]。

目前SLAM主流方法幾乎都是基于圖優化的，為什么圖優化這么受大家的青睞，這要歸功于各種各樣的傳感器。在圖優化的方法中，處理數據的方式和濾波不同，它不會隨著時間推移出現地圖擴大，內存消耗，計算量過大的問題。它不是實時的糾正位姿，而是把所有數據記錄下來，最后統一對數據進行處理。

KartOSLAM是基于圖優化的方法，利用非線性最小二乘法，進行全局矯正。用高度優化和非迭代Cholesky分解進行稀釋系統解耦。算法不完善，有出現實時建圖崩潰的可能。Cartographer是KartOSLAM的優化版本。Cartographer的主要思想是GraphSALM。GraphSALM又被稱為Graph-based SLAM，它的基本思想是將機器人不同時刻的位姿抽象為點（pose），機器人在不同位姿上的觀測所產生的約束被抽象為點之間的邊，或者叫約束（constraint）[3]。

所謂的約束可以有多種多樣的形式，比如機器人在A點和B點都看到同一個物體，那么機器人在AB點觀測到消防栓的相對位置，就對機器人在A點和B點的位置產生了約束，進一步的，AB兩點之間也產生了約束。GraphSLAM就是在機器人運動的過程中構建出若干點（pose）和邊（constraint）組成的圖（Graph），再從全圖的角度進行優化。

在Graph-based SLAM算法中，機器人的位姿是一個節點（node）或頂點（vertex），位姿之間的關系構成邊（edge）。具體而言，比如t+1時刻和t時刻之間的odometery關系構成邊。一旦圖構建完成了，就要調整機器人的位姿去盡量滿足這些邊構成的約束。因此，圖優化SLAM問題就能夠分解成兩個任務：

（1）構建圖，機器人位姿當頂點，位姿間關系當左邊，這部分被稱為前端（front-end），往往是傳感器信息的堆積。

（2）優化圖，調整機器人位姿頂點盡量滿足邊的約束，這部分被稱為后端（back-end）。

從而可以把圖優化過程總結為：先堆積數據，以機器人位姿為構建的頂點。邊是位姿之間的關系，可以是編碼器數據計算的位姿，也可以是通過ICP匹配計算出來的位姿，還可以是閉環檢測的位姿關系。這樣通過堆積的數據就可以把未優化的圖構建完成，然后再對構建的圖就行優化。

2結束語

對比之下，雖然Gmapping建圖時也相對精確，不需要太多的粒子，從而降低了計算量，且沒有回環檢測，但是遇到大場景地圖時，Gmapping就顯得不那么友好了。此時，Cartographer的作用就顯得相對突出，能滿足我們的需求。因此，圖優化算法是目前最好的SLAM算法，有相當好的發展前景。

參考文獻

[1] 孫學敏.未知室內環境下移動機器人地圖創建方法的研究[D].長春：東北師范大學碩士論文，2012：6-15.

[2] 張洪華，劉漩，陳付豪，等.基于圖優化的SLAM后端優化研究與發展[J].計算機應用研究，2019，36（1）：11-17.

[3] 王忠立，趙杰，蔡鶴皋.大規模環境下基于圖優化SLAM的圖構建方法[J].哈爾濱工業大學學報，2015，47（1）：75-85.

作者簡介

晉峰高，男，河南省周口市人;沈陽理工大學研究生在讀。