基于激光雷達的SLAM(激光SLAM)研究

Cartographer[1]是google在2016年開源[2]的跨平臺和傳感器配置，并提供2D和3D實時同步定位和建圖的SLAM系統，主要通過閉環檢測來消除構圖過程中產生的累積誤差，以達到融合多傳感器數據的局部submap創建和用于閉環檢測的scan match策略的實現。主要包括cartographer和Cartographer_ros兩部分，其中cartographer為底層實現，主要負責處理來自Laser、IMU、Odemetry的數據并基于這些數據進行地圖的構建。cartographer_ros是基于cartographer的上層應用，主要負責從ros的通信機制獲取傳感器的數據并將它們轉換成cartographer中定義的格式傳遞給cartographer處理，與此同時也將cartographer的處理結果用于發布、顯示或保存。

(2)  MC2SLAM

MC2SLAM[3]是Frank Neuhaus提出的一個實時激光里程計系統，提出了一種非剛性匹配算法（non-rigidregistration），通過把點云畸變補償和點云匹配統一到一個優化任務之中，即先對點云進行畸變補償，隨后采用補償后的點云進行位姿匹配。而此前的其他SLAM方法，這兩步是相互d立進行的。后在后端使用IMU預積分進行位姿圖優化，從而提G精度。從作者給出的測試結果，該方法和IMLS的精度相當，精度優于LOAM。

(3) LeGO-LOAM

LeGO-LOAM[4]是一種輕量J和地面優化的激光雷達里程計和建圖方法，可用于實時估計移動平臺的六自由度姿態�？梢栽诘凸�耗嵌入式系統上實現實時姿態估計。LeGO-LOAM在分割和優化步驟中利用了地面的約束。先應用點云分割來濾除噪聲，并進行特征提取，以獲得d特的平面和邊緣特征。然后，采用Levenberg-Marquardt優化方法，使用平面和邊緣特征來解決連續掃描中六個自由度變換的不同分量。系統接收來自3D激光雷達的輸入并輸出6個DOF姿勢估計。整個系統分為五個模塊。 先是segmentation，使用單次掃描的點云，并將其投影到范圍圖像上進行分段（線）；然后將分段的點云發送到feature extraction模塊；然后激光雷達測距儀使用從前一模塊中提取的特征來找到與連續掃描相關的變換；并將這些特征在lidar mapping中進一步處理，將它們標記到全局點云圖。后，transform integration模塊融合了激光雷達測距和激光雷達測繪的姿態估計結果，并輸出終的姿態估計。

(4) SUMA++

SUMA++[5]是SLAM大牛Cyrill組基于SUMA[6]開源的基于語義信息的激光雷達SLAM系統，在大多數場景下，可以很好的過濾動態物體，并為機器人系統提供準確的定位和地圖構建。該系統通過卷積神經網絡對激光雷達點云進行語義分割，并結合幾何深度信息，提G語義分割的精度并合成為帶語義標記的激光雷達點云，通過該點云構建帶有語義信息且全局一致的稠密surfel語義地圖。后，利用掃描和地圖之間的語義一致性來過濾出動態物體，并在ICP過程中通過語義約束來提G姿態估計的精度。在KITTI數據集上定位精度和魯棒性都有非常好的表現，為動態場景下的自主移動機器人導航和和動態避障提供了很好的思路。