基于激光雷达的SLAM算法对比分析

╰半橙微兮° 2023-07-01 05:25 4阅读 0赞

## 基于激光雷达的SLAM算法对比分析 ##

下面将Karto，Hector,Gmapping,Cartographer等几种开源算法通过列表的形式进行了对比：

<table> 
 <thead> 
  <tr> 
   <th>Hector</th> 
   <th>Gmapping</th> 
   <th>Karto</th> 
   <th>cartographer</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>scan-matching(Gaussian-Newton equation) +传感器的要求高</td> 
   <td>mapping采用的是RBPF的方法</td> 
   <td>KartoSLAM是基于图优化的方法，用高度优化和非迭代 cholesky矩阵进行稀疏系统解耦作为解．</td> 
   <td>artographer是Google的实时室内建图项目，传感器安装在背包上面，可以生成分辨率为5cm的2D格网地图</td> 
  </tr> 
  <tr> 
   <td>要求: 高更新频率小测量噪声的激光扫描仪.不需要里程计,使空中无人机与地面小车在不平坦区域运行存在运用的可能性</td> 
   <td>粒子滤波的方法一般需要大量的粒子来获取好的结果,但这必会引入计算的复杂度;粒子是一个依据过程的观测逐渐更新权重与收敛的过程,这种重采样的过程必然会代入粒子耗散问题(depletion problem), 大权重粒子显著,小权重粒子会消失(有可能正确的粒子模拟可能在中间的阶段表现权重小而消失).</td> 
   <td>图优化方法利用图的均值表示地图，每个节点表示机器人轨迹的一个位置点和传感器测量数据集，箭头的指向的连接表示连续机器人位置点的运动，每个新节点加入，地图就会依据空间中的节点箭头的约束进行计算更新．</td> 
   <td>获得的每一帧laser scan数据，利用scan match在最佳估计位置处插入子图（submap）中，且scan matching只跟当前submap有关。在生成一个submap后，会进行一次局部的回环（loop close），利用分支定位和预先计算的网格，所有submap完成后，会进行全局的回环。</td> 
  </tr> 
  <tr> 
   <td>利用已经获得的地图对激光束点阵进行优化, 估计激光点在地图的表示,和占据网格的概率.<br>为避免局部最小而非全局最优的出现,地图采用多分辨率的形式.</td> 
   <td>自适应重采样技术引入减少了粒子耗散问题 , 计算粒子分布的时候不单单仅依靠机器人的运动(里程计),同时将当前观测考虑进去, 减少了机器人位置在粒子滤波步骤中的不确定性</td> 
   <td>KartoSLAM的ROS版本，其中采用的稀疏点调整（the Spare Pose Adjustment(SPA)）与扫描匹配和闭环检测相关．landmark越多,内存需求越大,然而图优化方式相比其他方法在大环境下制图优势更大.在某些情况下KartoSLAM更有效,因为他仅包含点的图(robot pose),求得位置后再求map.</td> 
   <td>submap的构造是一个重复迭代配准scan和submap的过程。利用配准估算出pose对scan进行刚体变换，插入到submap中。<br>连续的scan用来构造submap，这里submap以概率格网的形式表现。每一个scan，在插入格网（submap）时，每一个grid有hits和miss两种情况。离scan终点最近的grid为hits，在scan原点和终点之间相交的grid为miss。之前未观察的grid分配一个概率，已观察的grid进行概率更新。</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td></td> 
   <td>论文 Efficient Sparse Pose Adjustment for 2D mapping</td> 
   <td></td> 
  </tr> 
 </tbody> 
</table>

citations

*  [http://morecoder.com/article/1069241.html][http_morecoder.com_article_1069241.html]
 *  [https://blog.csdn.net/u012700322/article/details/52953768][https_blog.csdn.net_u012700322_article_details_52953768]
 *  [https://blog.csdn.net/zyh821351004/article/details/47381135][https_blog.csdn.net_zyh821351004_article_details_47381135]

# cartographer与karto的都是2D激光SLAM算法，而且不是基于概率估计的SLAM框架 #

1.  两者采取的都是图优化框架

采取的优化库不一致， karto采取的是spa(karto\_slam)或g2o(nav2d), cartographer采取的是google的ceres构建problem优化。 karto的前端与后端采取的是单线程进行，cartographer按paper说明，采取的是4线程后端优化，还在进一步确定。

1.  运动预测部分：tracker

karto利用的是odom进行初始位置的预测， cartographer部分利用imu构建预测模型，scanmatcher与odom(可选)构建观测模型，采取UKF进行运动预测， cartographer带有tracker的说法。

1.  scanMatcher 部分

3.1 karto 采取的的是real-time correlative scan matcher（三维窗口遍历寻优）的方式进行的。 采取的是双分辨率的低分辨率和高分辨率的两次搜索。

3.2 cartoGrapher也是采取的双搜索的方式进行的， 先用一次real-time correlative scan matcher（三维窗口遍历寻优），再构建优化等式，利用ceres优化求解。（栅格概率， T的偏差，R的偏差）

1.  submap的说明

4.1 karto没有submap的概念，全部以keyScan的形式存储在sensorManager。 无地图缓存，但每次计算地图有计算消耗。采取的是scan-map的匹配方式，每次keyScan进入主动的依据pose的距离窗口生成localMap进行匹配。 local 与 gloal的loop closure依据graph的结构和sensorManage顺序存储分配的ID信息，选择候选scans，生成localMap，进行匹配，依据score进一步确定闭环。

4.2 . cartographer采用了submap的概念， 依据一定数量的scan初始一个submap, 依据窗口大小， 插入newScan，更新submap. 有子图缓存，会占用内存。

1.  Loop-Closure

5.1 karto 主要依据pose 和 distance信息创建localMap，scanMatcher（real-time correlative scan matcher）确定。

> 1.  依据当前的Vertex, 从Graph中找到与之相邻的所有vertex(一定距离范围内).
> 2.  采取广度优先搜索的方式，将相邻（next）与相连（adjacentVertices）添加进nearLinkedScans.
> 3.  从sensorManager中取从前到后，依据id序号挑选与当前在一定距离范围内，且不在nearLinkedScans中的candidateScans, 当数量达到一定size，返回。  
>     4）loopScanMatcher进行scanTomap的匹配，当匹配response 和covariance达到一定要求认为闭环检测到。得到调整的correct pose.  
>     5）Add link to loop : 调整边（全局闭环）
> 4.  触发correctPose: spa优化

5.2 cartogapher 类似（（real-time correlative scan matcher）），引入了branch and bound的方式， 加快了闭环的查找。

依据多分辨率多层的树型结构，单枝生长的方式(branch)，及时剪枝操作（bound），深度优先搜索(DFS)确定闭环。 （Intra-submap Inter-submap ）

添加相应的闭环约束。构建优化问题，利用ceres优化。

参考

*  [https://blog.csdn.net/hzy925/article/details/78857241][https_blog.csdn.net_hzy925_article_details_78857241]

[http_morecoder.com_article_1069241.html]: http://morecoder.com/article/1069241.html
[https_blog.csdn.net_u012700322_article_details_52953768]: https://blog.csdn.net/u012700322/article/details/52953768
[https_blog.csdn.net_zyh821351004_article_details_47381135]: https://blog.csdn.net/zyh821351004/article/details/47381135
[https_blog.csdn.net_hzy925_article_details_78857241]: https://blog.csdn.net/hzy925/article/details/78857241