关于移动机器人室内SLAM技术的研究

晋峰高 刘猛 谷月

摘 要 随着科技不断进步，网络的迅速发展，以往不被重视的机器人也慢慢地走进了大家的视野中，在各行各业有越来越多的分量。由于在室内或者一些信号不好的场地中，机器人的移动会受到地图信息的不准确的限制，从而大大降低了机器人的可利用价值。因此，当前的主流问题是解决移动机器人在室内自主定位与地图构建的问题，相对较好的技术就是激光雷达SLAM技术。本文对SLAM技术进行分析总结。

关键词 移动机器人;即时定位与地图构建;SLAM

引言

激光雷达即时定位与地图构建技术既是激光雷达SLAM技术。SLAM技术最初是由HughDurrant—Whyte和John J.Leonard提出，其目的是为了解决移动机器人在未知环境中运行时导航与地图构建的问题。其实从未知的位置和未知的环境中开始，机器人在移动过程中通过反复观察环境的特征来定位自己的位姿，然后根据自己的位置构建周围环境的增量式地图，以便达到同时定位和地图构建。定位是近几年来的热点和难点。定位技术取决于环境和对成本、精度、频率和鲁棒性的要求。SLAM配备激光雷达、摄像头、IMU和其他传感器在最近几年比较兴起。而激光雷达主要分为基于图优化的Graph-based SLAM算法和基于粒子滤波的SLAM（GMapping）算法[1]。

1基于滤波和图优化的SLAM

SLAM问题的处理方法主要分为滤波和图优化两类。滤波的方法中常见的就是扩展卡尔曼滤波（EKF-SLAM）、FastSLAM，粒子滤波、信息滤波等。EKF-SLAM提出较早，因为定位是为了导航，所以要求必须是栅格地图，而EKF-SLAM是特征地图;然而FastSLAM是较早的真正意义上可以实现SLAM的算法，可以实现较大的栅格地图。Gampping是栅格地图版本的FastSLAM，并且加入了Scan-matching模块来优化。在应用最广泛的2DSLAM算法中采用了粒子滤波方法，依赖里程计，可以达到实时构建室内地图，在较小的场景下构建的地图精度高且计算量小[2]。

目前SLAM主流方法几乎都是基于图优化的，为什么图优化这么受大家的青睐，这要归功于各种各样的传感器。在图优化的方法中，处理数据的方式和滤波不同，它不会随着时间推移出现地图扩大，内存消耗，计算量过大的问题。它不是实时的纠正位姿，而是把所有数据记录下来，最后统一对数据进行处理。

KartOSLAM是基于图优化的方法，利用非线性最小二乘法，进行全局矫正。用高度优化和非迭代Cholesky分解进行稀释系统解耦。算法不完善，有出现实时建图崩溃的可能。Cartographer是KartOSLAM的优化版本。Cartographer的主要思想是GraphSALM。GraphSALM又被称为Graph-based SLAM，它的基本思想是将机器人不同时刻的位姿抽象为点（pose），机器人在不同位姿上的观测所产生的约束被抽象为点之间的边，或者叫约束（constraint）[3]。

所谓的约束可以有多种多样的形式，比如机器人在A点和B点都看到同一个物体，那么机器人在AB点观测到消防栓的相对位置，就对机器人在A点和B点的位置产生了约束，进一步的，AB两点之间也产生了约束。GraphSLAM就是在机器人运动的过程中构建出若干点（pose）和边（constraint）组成的图（Graph），再从全图的角度进行优化。

在Graph-based SLAM算法中，机器人的位姿是一个节点（node）或顶点（vertex），位姿之间的关系构成边（edge）。具体而言，比如t+1时刻和t时刻之间的odometery关系构成边。一旦图构建完成了，就要调整机器人的位姿去尽量满足这些边构成的约束。因此，图优化SLAM问题就能够分解成两个任务：

（1）构建图，机器人位姿当顶点，位姿间关系当左边，这部分被称为前端（front-end），往往是传感器信息的堆积。

（2）优化图，调整机器人位姿顶点尽量满足边的约束，这部分被称为后端（back-end）。

从而可以把图优化过程总结为：先堆积数据，以机器人位姿为构建的顶点。边是位姿之间的关系，可以是编码器数据计算的位姿，也可以是通过ICP匹配计算出来的位姿，还可以是闭環检测的位姿关系。这样通过堆积的数据就可以把未优化的图构建完成，然后再对构建的图就行优化。

2结束语

对比之下，虽然Gmapping建图时也相对精确，不需要太多的粒子，从而降低了计算量，且没有回环检测，但是遇到大场景地图时，Gmapping就显得不那么友好了。此时，Cartographer的作用就显得相对突出，能满足我们的需求。因此，图优化算法是目前最好的SLAM算法，有相当好的发展前景。

参考文献

[1] 孙学敏.未知室内环境下移动机器人地图创建方法的研究[D].长春：东北师范大学硕士论文，2012：6-15.

[2] 张洪华，刘漩，陈付豪，等.基于图优化的SLAM后端优化研究与发展[J].计算机应用研究，2019，36（1）：11-17.

[3] 王忠立，赵杰，蔡鹤皋.大规模环境下基于图优化SLAM的图构建方法[J].哈尔滨工业大学学报，2015，47（1）：75-85.

作者简介

晋峰高，男，河南省周口市人;沈阳理工大学研究生在读。