【《激光SLAM技术研究现状文献综述》2000字】

激光SLAM技术研究现状文献综述SLAM技术起源于国外，当前的激光SLAM方法分为两大类，分别是基于贝叶斯滤波器的SLAM方法和基于图优化的SLAM方法，如图1-所示。早期的SLAM方法主要是基于贝叶斯滤波器。在1985年，SLAM问题就在Cheeseman和Smith[7]撰写的文章中被提出，文中提出了求解SLAM问题的数学原理，即以描述几何不确定性和特征与特征之间相互关系的统计学原理。SLAM问题中机器人定位依赖于环境地图，而环境地图的构建也依赖于机器人的准确定位，这是一个“鸡生蛋，蛋生鸡”，高度相关的过程，任何一个问题都不能单独解决。1987年，基于KF的SLAM算法由Smith，Self和Cheeseman[8]提出，该基于KF的SLAM算法理论研究框架曾一度成为应用最广泛的方法。1993年，基于SIS的非线性滤波算法由Gordon[9]等人提出，这也是粒子滤波器研究的开端，粒子滤波器适用于任何非线性系统，它基于蒙特卡洛思想，使用粒子集表示概率，鲁棒性相比卡尔曼滤波更高。Murphy[10]使用Rao-Blackwellized算法对基于粒子滤波器的SLAM问题进行研究，分离了定位和建图，降低了SLAM的复杂度。针对卡尔曼滤波计算复杂度高，并且对数据关联错误敏感两个重要缺点，来自卡内基梅隆大学的MichaelMontemerlo[11-13]提出了使用粒子群滤波器的Fast-SLAM算法。Fast-SLAM将算法复杂度从平方级降低到对数级，有效地降低算法复杂度，且Fast-SLAM算法描述了对已知和未知数据关联的两种情况，结果表明Fast-SLAM算法可以在大规模的地标模糊环境中获得准确的环境地图。Grisetti[14]针对RBPF-SLAM存在粒子退化的问题，使用自适应重采样方法，有效缓解了粒子退化问题，并使用传感器模型代替里程计预测，改进了提议分布，取得了良好的建图效果，其开源的gmappping得到了广泛的应用。基于图优化的SLAM算法如今已成为主流研究方向，该算法是通过所有的传感器信息去估计机器人的完整位姿信息和地图信息，故而也称作是全SLAM算法，能够在大的环境中进行高精度地图的构建。相比之下，基于滤波器的SLAM算法属于在线SLAM算法，在建立大型地图时随着时间的推移会出现内存消耗大、计算量增大的问题，因此该算法不适用于大环境下的地图构建。和基于滤波器的SLAM技术一样，国外在图优化理论方面研究也较早。基于图优化的理论最先由Lu和Milios提出[15]，阐述了图优化的SLAM技术的基本思想，它们通过ICP扫描匹配确定扫描之间的成对测量，然后通过迭代线性化优化图，但在当时求解计算量大，不被重视，后来研究表明矩阵稀疏，可加速求解，于是图优化SLAM成为主流框架。Gutmann等人[16]对该框架进行了改进，提出通过三个环节（顺序匹配、回环检测、图优化）去解决SLAM问题，该框架得到了广泛的应用。Konolige等人[17]提出基于二维激光雷达的图优化Karto-SLAM算法，该算法通过构造线性矩阵和分解非迭代Cholesky去求解稀疏位姿图，使用关键帧进行匹配检测的闭环方法，关键帧由每隔几帧的激光数据组成，不仅在数量上减少了匹配候选集，而且提高了检测速度，大大的减少了计算量，但存在误检的情况。Tipaldi[18]和Kallasi[19]提出一种通过对比不同特征区域的相似度的闭环检测方法，特征区域由环境中的小范围特征提取而来；2016年谷歌提出的基于激光雷达和IMU的开源算法cartographer[20]提出使用多帧连续的激光数据构建子地图，闭环检测通过匹配激光数据和子地图，该方法使激光数据连续帧之间的冗余性大大减少，闭环检测的速度得以提高，但存在一些误检情况，因为采用的还是帧对帧的匹配方法。国内对图优化SLAM的研究起步晚，2017年邹谦ADDINNE.Ref.{FCC7CB16-DCD8-409A-86BE-07244828198E}[21]针对狭长走廊等单调场景中激光难以检测闭环的问题，采用二维码观测信息参与图优化激光SLAM过程的方法。实验结果均表明二维码参与的地图构建具有较好的一致性。2018吴成鼎ADDINNE.Ref.{7F025D96-DEFE-4012-A204-3F0EA56104BA}[4]提出了一种激光雷达数据补偿方法，该方法和激光雷达扫描帧特征提取改进占据栅格地图构建的方法能够有效减小激光雷达的测距误差并提高图优化SLAM算法建图精确度。2018文国成ADDINNE.Ref.{E3C89B3A-6953-4296-AF8E-EADE0571F865}[5]针对求解公式中信息矩阵因数据累积导致复杂计算量的问题，提出构建关键帧的解决方法，用基于关键帧构建的全局图进行图优化，以减少信息矩阵的元素计算量；基于CSM(CorrelativeScanMatching)匹配算法做闭环检测，针对原算法匹配效率低下和存在误检的情况，提出用关键帧提高匹配准确率的改进方法。2019尹磊ADDINNE.Ref.{487F999D-CC0D-414C-A9D5-1CA73774C92A}[2]提出了一种基于多信息融合的闭环检测算法，通过机器人当前位姿来限制闭环搜索范围，通过视觉词袋模型来初步检测闭环信息，最后通过激光扫描匹配结果来验证是否为真实闭环，保证了闭环检测的准确性。2019刘智宇ADDINNE.Ref.{C8DCA13B-1F10-4AAF-ADDB-328A44EFB4C6}[6]针对针对原有Cartographer中位姿融合不准确，存在延迟的问题，设计了一种基于位姿增量的位姿融合方法。在对激光雷达传感器的扫描数据进行位姿优化后，本方法能够结合惯性测量单元以及里程计数据更快更准确地为下一时刻提供位姿估计2020王亚飞ADDINNE.Ref.{3B062744-E70F-47EE-B719-92F150758F1D}[7]对传统的激光雷达和视觉数据融合的方法进行分析，最后提出了一种数据紧耦合的融合方式，并且根据视觉特征构建词袋模型进行回环检测，实验结果表明，此方式在使用低成本激光雷达进行融合定位和地图构建时，定位精度和鲁棒性要优于传统的融合方法，2021赵芸赵敏ADDINNE.Ref.{602FCA06-EA18-46C1-B339-AF9A4255A927}[8]对CartographerSLAM在回环检测时使用ScantoMap匹配出现特征点缺失问题进行改进，提出MaptoMap策略。该方法利用子图间的匹配闭环检测，去掉连续帧之间的冗余数据，减少运算时间，提高精度。2021李文豪ADDINNE.Ref.{C