#仙知机器人#移动机器人定位技术—激光SLAM SLAM英文全称是SimultaneousLocalizati

SLAM英文全称是SimultaneousLocalizationandMapping ，意为即时定位与地图构建。
SLAM最早由Smith、Self和Cheeseman于1988年提出，至今已有30余年的发展历史。

文章图片
相较于深度学习、神经网络、大数据等热门词汇，听过SLAM的人少之又少，是因为国内从事相关研究的机构更是屈指可数。直至2015年左右， SLAM才逐渐成为国内机器人和计算机视觉领域的热门研究方向，在当前较为热门的领域崭露头角。
本文仅对没有接触过SLAM的新人进行的科普。
近年来，移动机器人技术在世界范围内得到快速发展。人们致力于把移动机器人应用于各种场景中，从室内外搬运机器人，到服务型机器人，再到工业机器人等，移动机器人的运用都得到了巨大突破。

文章图片
在移动机器人研究中一个最关键的技术就是即时定位和建图，也就是所谓的SLAM技术。 SLAM它试图解决这样的问题：一个机器人在未知的环境中运动，如何通过对环境的观测确定自身的运动轨迹，同时构建出环境的地图。

文章图片
SLAM技术正是为了实现这个目标涉及到的诸多技术的总和。由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。
SLAM系统一般分为五个模块：传感器数据、视觉里程计、后端、建图及回环检测。
传感器数据：主要用于采集实际环境中的各类型原始数据。包括激光扫描数据、视频图像数据、点云数据等。
【#仙知机器人#移动机器人定位技术—激光SLAM】视觉里程计：主要用于不同时刻间移动目标相对位置的估算。包括特征匹配、直接配准等算法的应用。
后端：主要用于优化视觉里程计带来的累计误差。包括滤波器、图优化等算法应用。
建图：用于三维地图构建。
回环检测：主要用于空间累积误差消除
其工作流程大致为：
传感器读取数据后，视觉里程计估计两个时刻的相对运动（Ego-motion），后端处理视觉里程计估计结果的累积误差，建图则根据前端与后端得到的运动轨迹来建立地图，回环检测考虑了同一场景不同时刻的图像，提供了空间上约束来消除累积误差。
目前， SLAM（即时定位与地图构建）技术主要被运用于无人机、无人驾驶、机器人、AR、智能家居等领域。
按照核心的功能模块来区分，目前常见的移动机器人SLAM系统一般具有两种形式：基于激光雷达的SLAM(激光SLAM)和基于视觉的SLAM(VisualSLAM或VSLAM) 。
激光SLAM脱胎于早期的基于测距的定位方法(如超声和红外单点测距) 。激光雷达(LightDetectionAndRanging)的出现和普及使得测量更快更准，信息更丰富。
激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。
激光雷达距离测量比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。同时，点云信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。激光SLAM理论研究也相对成熟，落地产品更丰富。

文章图片
视觉SLAM主要通过摄像头来实现。摄像头品类繁多，主要分为单目、双目、单目结构光、双目结构光、ToF几大类。基于深度摄像机的V-SLAM ，跟激光SLAM类似，通过收集到的点云数据，能直接计算障碍物距离；基于单目、鱼眼相机的V-SLAM方案，则利用多帧图像来估计自身的位姿变化，再通过累计位姿变化来计算距离物体的距离，并进行定位与地图构建。