無人駕駛車輛與移動機器人SLAM方法綜述

中國礦業大學（北京） 景元泉 王躍輝 韓 偉 鄒 恒 鄒宇杰

當今時代大力發展人工智能技術，越來越多的自動駕駛車輛出現在生活中這離不開SLAM的發展。SLAM即同步定位與地圖構建，無人駕駛汽車與自主移動機器人的實現主要解決定位精度以及其即時性、環境地圖構建的準確定、導航、路徑規劃的計算四個問題，其中SLAM扮演非常重要的作用，SLAM主要用于解決未知環境中即時定位、地圖構建與導航的問題。本文主要對SLAM的幾種分類進行描述與總結，并對SLAM的未來發展趨勢進行預測。

1 SLAM的經典框架

SLAM的經典框架主要是由傳感器、視覺里程計、后端、閉環檢測、建圖五個部分所組成。傳感器和視覺里程計在視覺SLAM中屬于前端，傳感器主要用于環境信息的采集，視覺里程計的目的是根據傳感器將其采集到的圖像數據估計其位姿，后端是將視覺里程計所形成的不同時刻位姿信息整理優化得到完整的環境地圖。閉環檢測環節是個反饋環節，它通過對傳感器、視覺里程計、后端三個環節的信息進行比對來判斷機器人移動的位置是否存在漂移或重復，若存在則將其信息反饋至后端。經過前四個環節后，得出最后的建圖信息。

在實際使用當中還需依據經典框架進行完善。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器人來說，需要多傳感器融合。機器人是否可以成功建圖，很大一部分取決于閉環檢測，閉環檢測成功可以極大的減小建圖的誤差，提高建圖的精準度，從而使機器人更加快速、準確的避障。

2 激光雷達

激光雷達有著很高的精度和分辨率，其基本原理是由發射系統向被測目標發射激光，與目標作用產生返回信號，再將返回信號與發射信號進行對比和處理，獲取位置、速度等所需信息。激光雷達建圖性價比很高，在花費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，激光雷達自動化程度也很高，對于人工的依賴性比較小。但是它也有著一些缺點，譬如會受到惡劣環境的影響、對信息計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是利用激光雷達獲取二維數據，并利用二維數據進行定位與建圖；3D激光SLAM是利用三維數據，對三維空間進行定位與建圖。在使用時，一般室內采用2D激光SLAM，室外采用3D激光SLAM。

2.1 2D激光SLAM

2D激光SLAM技術目前已經較為成熟并推廣應用，有了一套比較完整的實現流程，實現方案也已經有了很多種。

SLAM經典算法：

（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，每一個粒子都會單獨建立一個地圖。該算法實現時間早，是目前比較成熟和可靠的算法，應用也非常廣泛。該算法在室內小場景和低特征環境下，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，同時計算量也很小。但是，Gmapping對于里程計的要求很高，在進行比較大的或者是復雜的場景下，計算量會大大增加，而且由于回環檢測的缺乏，誤差會不斷累積，建模的效果會比較差。

（2）Cartographer

Cartographer是由谷歌公司于2016年發布的基于圖優化的SLAM算法。谷歌公司在該算法種引入閉環檢測，對建圖過程中產生的誤差進行消除，從而提高在大規模場景下建圖的精度。Cartographer將測得的環境數據進行處理，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行比對，并插入到上一次的子圖中進行子圖更新優化。當沒有新的子圖插入時，完整子圖的構建就完成了。當完成多個完整子圖的構建以后，后端會開始進行回環檢測，對前面建立的子圖進行優化，并且消除累計誤差。

2.2 3D激光SLAM

3D激光SLAM現在一般用于室外地圖構建，在智能車和無人機等領域中，有著廣泛的用途，是目前很熱門的研究方向。

經典算法：

（1）LOAM

LOAM SLAM于2014年由張吉等人提出，是一種低漂移實時激光雷達測距建圖算法，是比較老的一種3DSLAM算法。這種算法將定位與建圖分開，用兩個不同算法分別加以實現然后再結合，保證實時性和精度要求。但是這種算法沒有回環檢測環節，因此算法產生的漂移誤差會隨時間不斷增加。現在LOAM已經不再開源，但是之后的許多開發者對該算法的一些思想和方法進行借鑒，產生了一些基于LOAM改進的算法。

（2）SegMap

SegMap是Seg Match的改進算法，同樣是基于數據驅動。SegMap進行建圖是使用了數據驅動描述，在進行3D片段建圖以后引入數據驅動的片段描述符，然后對語義信息進行提取，用于提高對環境變動的魯棒性，但該算法會產生漂移，并隨著時間不斷累積。

隨著激光SLAM算法的不斷應用和發展，現有算法會不斷進行完善，也將會有許多開發者研究出更加優秀的算法，推動激光SLAM技術的不斷發展。

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只利用一個相機作為外部傳感器，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相機作為傳感器的立體視覺SLAM，利用兩個相機從不同角度拍攝的三維場景圖像進行三維重建，通過立體匹配算法尋找對應同一三維點的投影點對、計算兩張圖像的視差圖，再根據三角化原理估計深度信息，以恢復場景的三維結構。RGB-D SLAM則將RGB-D相機與紅外傳感器相結合，得到的圖像包括普通的RGB彩色圖像和深度信息圖像，在普通相機的基礎上增加了深度測量的功能，可以得到每個像素點的具體深度信息。

雖然近三十年來視覺SLAM技術取得了積極進展和長足進步，但是仍然存在諸多不足之處，例如相機拍攝精度不高、數據處理計算量大、不同SLAM相機在不同的環境下有各自優缺點等問題。主要表現為：（1）拍攝相機選擇問題。視覺SLAM依賴的是相機，相機本身質量，拍攝環境的影響因素等都會影響相機標定的精度，同時影響圖像質量。高質量相機拍攝區域大，但也要考慮到成本問題，低成本相機分辨率不夠高，影響精度。（2）特征檢測與匹配算法問題。視覺SLAM算法在實現時需要地圖表示、信息感知、數據關聯、定位與構圖問題。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、效率與性價比問題仍有待進一步提高。（3）后端優化問題。后端優化是減小成圖誤差、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

毫米波雷達的傳播過程就是發射一段毫米波后，當它遇到障礙物就立即發生反射，將反射的波由傳感器接受，然后計算位置的距離和環境的構建。由于采用的是反射原理，毫米波的傳播過程中就會容易受空氣中水分子的影響，導致毫米波頻率被有選擇地吸收和分射。整個毫米波頻率段有四個傳播頻段，每個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勢：多頻段、大帶寬、細口徑。

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

4.2 仿生聲吶

聲吶傳感器SLAM只是對環境表面的初步構建，而仿生聲吶采用的是仿照動物界蝙蝠的回聲定位。通過模擬蝙蝠的聲吶發射和聲波接收來實現在復雜的環境中，它對復雜環境的地圖構建和定位。

通過聲納傳感器發射的信號，由返回回來的回波信號被智能車接收后，經過車內的仿生聲吶模板，生成局部場景細胞，同時智能車不斷地更新里程計和轉角傳感器來構建出位姿細胞。位姿細胞是用來判斷智能車的位置與狀態。若仿生聲吶出現問題，位姿細胞的修正需要借助WiFi指紋模板的數據采集，同時借助局部場景細胞一起修正來輔助位姿細胞進行地圖的構建與定位。在BatSlam的基礎上，借用WiFi指紋模板進行位姿的輔助修正，是BatSLAM的一種創新。此方法既可提高二維地圖的構建和定位的準確性與精度，也降低了環境信息的失真率。

結束語：目前，通過給機器人配備各類傳感器來進行SLAM的位置定位與地圖構建已經出現多樣多樣的處理方法。早期的激光雷達SLAM的應用已經發展趨于成熟，但是使用激光雷達進行SLAM的劣勢開始慢慢展現出，無法探測出環境的數據信息，價格偏貴。然后開展了視覺傳感器SLAM的研究，解決了環境數據采集的問題，同時價格便宜，但是又出現了測量精度低和測距能力不足的問題，慢慢地發展到如今激光與視覺SLAM的融合處理。現階段的融合處理SLAM發展過晚，有許多問題出現。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，未來可能的發展就是所有傳感器一齊融合SLAM的研究。