基于激光雷达的SLAM算法介绍

REF：激光雷达SLAM算法综述

1. 激光SLAM系统原理介绍

SLAM系统框架分为五个部分：数据采集、前端里程计、后端优化、回环检测和地图构建

33857c834399a106506da7bd3d7c4634.png

• 前端里程计： 点云的运动畸变会导致较大的定位误差，使系统不稳定，畸变去除方法有纯估计法（迭代最近点ICP）和传感器辅助法（IMU测量角速度和线速度进行运动补偿）；通过点云配准，计算相邻数据帧之间位姿，配准算法主要是 ICP及其变种算法、基于数学特征NDT类方法和基于学习的方法。

1a9a464157bac99c708490d8c75a329b.png

• 后端优化： 主要方法包括基于贝叶斯估计的滤波器优化算法，和基于图优化的算法两类

992f2bfa7dea02780db6d3c8dd9b2f5e.png

c86450256c8d587df58f8730c3ef66ad.png

• 回环检测： 用于消除累计误差，提高定位和地图精度，对在大环境、回环多、长时间下运行的SLAM系统至关重要。
  • 点云数据：通过检测两个激光雷达数据帧中点云数据之间的相似性来判断它们是否来自同一位置
  • 特征点提取：基于扫描上下文的方法，分割每一帧点云为若干区域，选取具有代表性的点保存到二维数组中，通过 kd-tree 查找历史上下文描述子进行相似度计算，检测是否回环
  • 快速点特征直方图（FPFH）：在PFH（point feature histograms）的基础上，利用局部范围内点的表面法向量计算局部描述子
  • 基于深度学习的回环检测
• 地图构建：

ee6b61c0bfd867beb1cea441d44ecafb.png

2. 2D激光SLAM

e8666454a458050cf170d0a2603c6ba1.png

3. 纯多线雷达激光SLAM

82e74a767c7f247e989be4b76b1b9166.png

4. 多线雷达激光 + IMU融合的SLAM

使用激光雷达与 IMU 进行信息融合，利用 IMU高频率输出运动信息，校正点云运动畸变，提供一个良好的初值可以使算法避免陷入局部最小值，激光雷达与IMU融合可以分为紧耦合和松耦合；松耦合将激光雷达数据和 IMU 数据分别进行参数估计，再使用估计出的参数进行融合；紧耦合表现出更好的鲁棒性和准确性，使用激光雷达数据和 IMU 数据共同构建参数向量，再进行优化和估计

91642507477c7e9f0842dd97c8cf3aa3.png

5. 多线雷达激光 + IMU + 视觉融合的SLAM

d36066bd88869595df91eae42bf6f30d.png

1228a71e6a94f5680072ac62315d5077.png

6. 基于深度学习的多线雷达激光SLAM

深度学习与激光雷达 SLAM 的结合主要应用于系统中的几个模块，点云的特征提取和配准、回环检测、构建语义地图

• 点云处理：主要分为两种方式：（1）基于学习的特征提取，如 FCGF、SpinNet；（2）基于深度学习网络的端到端的点云配准方法，如 Lepard、REGTR
• 回环检测：利用深度学习构建合理的网络模型，通过大量的学习可以使算法提取点云中的关键特征信息，提高回环准确率

546826bbf74f4608073cf05b9fda3782.png