【SLAM】激光SLAM简介与常用框架

😏1. 激光SLAM概述

SLAM（同步定位与地图构建）是一种机器人感知技术，用于在未知环境中同时确定机器人的位置并构建地图。

激光SLAM是利用机器人的激光传感器扫描周围环境，将激光点云数据与机器人当前位置相结合，通过运算和优化算法实时构建环境地图，并估计机器人在地图中的准确位置。这样，机器人在未知环境中不仅能够实时感知周围的障碍物、墙壁等信息，还能对自身位置进行估计，从而实现路径规划、避障以及导航等任务。

激光SLAM的核心思想是将机器人的定位和地图构建同时进行，通过激光扫描数据和运动模型等信息，在未知环境中实现自主导航和建立精确的地图。

根据分类标准不同，一般激光SLAM有两种分类方式：

1. 基于滤波器的激光SLAM和基于图优化的激光SLAM
2. 基于特征的激光SLAM和基于全局扫描匹配的激光SLAM

通过激光SLAM技术，机器人能够在不依赖外部定位系统的情况下，实现自主感知和导航，广泛应用于无人车、无人机、智能机器人以及工业自动化等领域。

😊2. 激光SLAM整体框架

激光SLAM的整体框架通常包含以下几个主要组成部分：

1.数据获取和预处理：激光SLAM首先需要获取环境的激光扫描数据。这可以通过激光传感器（如激光雷达）实现。获取的激光数据可能包含噪声或不完整的信息，因此需要进行预处理，如去噪、补全等，以提高数据的质量。

2.特征提取与描述：从激光扫描数据中提取关键的地标或特征点，如角点、边缘等。通常需要使用特征提取算法，如Harris角点检测、线段提取等。同时，对每个特征点进行描述，生成能够表征其属性和位置的特征描述子，如SIFT、SURF等。

3.初始化：在开始时，需要对机器人的初始位姿进行估计。这可以通过里程计信息、惯性导航单元（IMU）或其他传感器来实现。也可以使用启发式方法，如随机放置机器人并进行迭代优化来估计初始位姿。

4.自我定位：基于激光数据和机器人的运动模型，通过滤波器（如扩展卡尔曼滤波器、粒子滤波器）进行自我定位。滤波器通过融合里程计数据和激光扫描数据，估计机器人在地图中的位置和方向。

5.地图构建：使用特征点或全局扫描匹配等方法，将激光扫描数据与机器人的位姿信息相结合，实现地图的构建。地图可以表示为空间中的点云、网格地图或拓扑地图等形式。

6.闭环检测与优化：在长时间运行的SLAM过程中，机器人可能会经过之前已经探索过的区域，产生闭环问题。通过检测闭环并使用回环检测算法，可以优化之前的轨迹和地图，减小误差。

7.增量更新与后端优化：随着机器人的移动和数据的不断积累，需要对地图和轨迹进行增量更新，并使用全局优化算法来进一步优化整个系统的一致性和精度。

8.实时性优化：在SLAM的实际应用中，实时性非常重要。因此，算法还需要考虑计算效率和资源消耗，如使用快速搜索算法、降低计算复杂度等方式来提高实时性能。

😆3. 常用激光SLAM框架及特点

最常见的二维激光SLAM的应用就是扫地机器人了。

ROS社区提供了多种2D SLAM算法，可直接使用或进行二次开发：

1. gmapping：该功能包提供了一个基于粒子滤波器的SLAM算法，可以使用2D激光雷达构建环境地图。

apt安装：sudo apt-get install ros-melodic-slam-gmapping

1. hector_slam：该功能包提供了一种基于反演测量束（raycasting）的SLAM算法，不需要里程计数据，直接使用2D激光雷达就可构建环境地图。

apt安装：sudo apt-get install ros-melodic-hector-slam

1. cartographer：该功能包提供了一种高质量、实时的SLAM算法，可以使用2D激光雷达构建环境地图。
2. laser_scan_matcher：该功能包提供了一个激光雷达数据匹配算法，可以用于机器人的定位、校正和导航。
3. karto_slam：该功能包提供了一个基于图优化的SLAM算法，可以使用2D激光雷达构建环境地图。
4. gridmap：该功能包提供了一种用于2D环境地图的数据结构和算法，可以方便地处理和分析2D地图。

目前大多数智能汽车使用的是三维激光雷达，3D SLAM也有许多开源算法，可直接使用或进行二次开发：

1. OctoMap：该功能包提供了一种生成3D环境地图的算法，可以使用激光雷达等传感器。
2. LOAM（Lidar Odometry and Mapping）：LOAM是一种基于激光雷达的实时SLAM方法。它通过将点云数据分割为特征点和地面点，使用扫描匹配和里程计估计来计算机器人的位姿和运动，同时构建稠密的地图。LOAM的特点是实时性能好，适用于快速移动的机器人。LOAM是Scan to Scan特征匹配形式的代表（即将输入scan的点云根据曲率大小分为平面点和边缘点，根据距离优化公式来构造优化方程求解位姿变化量）。 一种优化后的LOAM：https://github.com/SlamCabbage/Optimized-SC-F-LOAM
3. LeGO-LOAM：LeGO-LOAM是LOAM的改进版本，主要针对移动机器人系统进行了优化。它引入了全局地图和闭环检测模块，提高了定位的精度和鲁棒性。LeGO-LOAM还具有低计算复杂度和较小的资源消耗，适合于嵌入式系统和资源受限的环境。 LeGO-LOAM源码：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM 运行：roslaunch lego_loam run.launch
4. LIO-SAM（Lidar Odometry and SLAM）：LIO-SAM是一种基于多帧优化的激光SLAM方法。它使用由激光雷达数据生成的局部地图进行特征匹配和位姿优化，同时解决了传统滤波器方法中的数据关联问题。LIO-SAM具有较高的定位精度和鲁棒性，并且可以在大规模环境下运行。
5. Cartographer：Cartographer是谷歌开发的一款通用的2D和3D SLAM框架。它支持多种传感器，包括激光雷达和IMU，并提供了定位、建图和闭环检测等功能。Cartographer使用分布式和并行计算方式，具有较高的效率和准确性。Cartographer是Scan to Map特征匹配的代表。

以上。