机器人感知与智能 课件 第十章　同步定位与地图构建技术

机器人感知与智能第十章同步定位与地图构建技术概述

OUTLINE移动机器人已广泛应用于航天航空、医疗卫生、家庭服务及工业制造等领域。其自主导航主要解决三个核心问题：“我在哪？”“我要到哪里去？”以及“我怎么到那里去？”。其中，“我在哪？”对应定位问题，用于确定机器人在环境地图中的位置信息；“我要到哪里去？”涉及环境地图构建，通过传感器数据获取并表示环境信息；“我怎么到那里去？”则是路径规划问题，用于实现机器人从起点到目标位置的轨迹规划。

定位与环境地图构建相互依赖、密不可分。同步定位与地图构建技术（SimultaneousLocalizationandMapping，SLAM）是一种典型方法，指运动主体在未知环境中依靠传感器在构建环境地图的同时确定自身在地图中的位置，实现定位与建图的统一过程。01同步定位与地图构建技术的种类目录

CATALOGUE02同步定位与地图构建技术的原理及常见算法03应用举例：机器人地图构建04实验01同步定位与地图构建技术的种类激光SLAM激光SLAM起源于早期基于测距的定位方法。随着激光雷达的发展，机器人能够获取更加快速、准确且丰富的环境信息，这些信息以包含距离和角度数据的点云形式表示。激光SLAM通常通过匹配不同时刻的点云，计算机器人位姿变化，实现定位与建图。常用的点云配准算法包括ICP和NDT，典型算法有Gmapping和Cartographer。激光SLAM具有测距精度高、误差模型简单、环境适应性强以及点云几何信息直观等优点，便于实现路径规划与导航。同时，其理论研究较成熟，相关应用和产品也较为丰富。Gmapping算法Cartographer算法视觉SLAM随着计算机视觉技术的迅速发展，视觉SLAM因具有信息量丰富、成本较低、适用范围广等优点而受到广泛关注。相比激光SLAM，视觉SLAM不仅能够获取环境的几何结构信息，还能够提取纹理、颜色等特征，因此在机器人导航、自动驾驶、增强现实等领域具有重要应用价值。

按照传感器配置的不同，视觉SLAM通常可分为单目视觉SLAM、双目视觉SLAM、RGB-D视觉SLAM以及融合惯性运动单元（InertialMotionUnit，IMU）的视觉SLAM。单目、双目、RGB-D相机以及惯性测量单元LSD-SLAM算法单目视觉SLAM单目视觉SLAM是一种利用单个摄像头实现定位与地图构建的技术，具有结构简单、成本低等优点。它通过连续图像序列提取环境特征，并推断相机运动和场景结构，从而完成机器人定位与建图。

由于单目摄像头只能获取二维图像信息，缺乏直接的深度测量，因此单目视觉SLAM通常构建的是稀疏地图，并存在尺度不确定问题。为解决这一问题，常采用尺度恢复技术或融合其他传感器信息进行深度估计。

常见的单目视觉SLAM算法包括ORB-SLAM、LSD-SLAM和DSO等。双目和RGB-D视觉SLAM双目与RGB-D视觉SLAM是两种常见的基于深度信息的SLAM技术，分别利用双目相机和RGB-D相机获取图像与深度数据，实现同时定位与地图构建。双目相机由两个单目相机构成，通过两相机的基线差异进行视差计算，从而推断物体深度，并建立像素与三维空间的对应关系，实现三维重建与定位。但其标定较复杂，深度精度与量程受基线和分辨率限制，且计算开销较大。RGB-D相机则通过红外结构光或ToF（Time-of-Flight）技术主动测距，直接获取深度信息，相比双目计算更高效。但其通常存在测距范围有限、噪声较大、易受光照干扰以及对透明/反光材质测量困难等问题，因此多用于室内环境。常见算法包括ORB-SLAM2和RTAB-MAP等。ORB-SLAM2算法VINS-Mono算法融合IMU视觉SLAM融合IMU视觉SLAM是一种结合惯性传感器与视觉传感器的同时定位与地图构建技术。IMU通常由加速度计和陀螺仪组成，用于测量机器人在三维空间中的加速度和角速度。通过融合IMU的惯性信息与视觉SLAM的图像数据，可以提升定位精度，减小漂移，并增强系统在快速运动、弱光或纹理缺失环境下的鲁棒性。

该方法能够有效利用IMU的高频运动信息抑制视觉误差，从而实现更稳定、准确的定位与建图，适用于室内外及无GPS环境，并广泛应用于自主导航、无人机和自动驾驶等领域。

常见算法包括VINS-Mono和MSCKF等，在视觉与惯性数据融合策略上各有特点。02同步定位与地图构建技术的原理及常见算法同步定位与地图构建技术的原理及常见算法SLAM通过融合多源感知数据实现同时定位与建图。系统利用激光雷达、摄像头等传感器获取环境信息，并结合里程计等运动数据估计机器人位姿，同时提取特征点或描述子表示环境结构。

典型SLAM系统包括传感器预处理、前端里程计、后端优化、回环检测和建图五个模块。前端负责特征匹配与相对位姿估计；后端融合多源信息优化轨迹与地图；回环检测用于消除累积误差并提升全局一致性；建图则生成栅格图、拓扑图或点云地图等环境表示。

总体而言，SLAM通过不断融合感知与运动信息，实现机器人位姿估计与环境地图构建。经过长期发展，已形成较为成熟的框架，并涌现出GMapping、Cartographer、ORB-SLAM等开源系统，同时语义SLAM与深度学习SLAM也成为重要研究方向。SLAM系统框架图GMapping算法Gmapping是一种基于2D激光雷达的SLAM算法，用于构建二维栅格地图。其核心方法是采用粒子滤波器，通过粒子集合结合激光雷达观测与运动模型进行更新与重采样，实现机器人位姿估计与地图构建的联合优化。

算法利用激光数据提取环境障碍信息并不断更新栅格地图，从而逐步重建环境。Gmapping具有精度较高、鲁棒性强、适用于室内小场景等优点，但在大场景下计算与内存开销较大，不适用于大范围SLAM任务。使用GMapping算法建立的室内二维栅格地图Cartographer算法Cartographer是Google提出的一种基于图优化的激光SLAM算法，主要由局部建图和全局优化两部分组成。

局部建图通过扫描匹配对连续激光数据进行对齐，估计机器人位姿并构建局部子地图，同时结合回环检测减少累计误差。

全局优化采用位姿图优化方法，将多个子地图进行统一调整与融合，生成全局一致地图。

此外，该算法融合IMU与里程计信息提升定位精度，并采用自适应体素滤波提高大规模环境下的建图效率。Cartographer算法框架图ORB-SLAM算法ORB-SLAM是一类基于ORB特征的视觉SLAM算法，通过特征匹配实现相机定位与地图构建。其核心是利用连续图像中的ORB特征点（由FAST角点与BRIEF描述子组成）进行跟踪与匹配，估计相机运动并恢复三维结构。该方法具有计算效率高、实时性强及一定旋转不变性的特点，并通过图优化提升定位与建图精度。

在此基础上，ORB-SLAM2支持双目与RGB-D输入，扩展了深度信息的应用并提升系统性能；ORB-SLAM3进一步融合IMU并支持多相机模型，使系统在复杂环境中具有更强的鲁棒性与适用性。从单目图像中提取到的ORB特征点连续帧间的ORB特征点关联匹配效果基于语义的SLAM算法基于语义的SLAM是在传统SLAM基础上引入语义信息的扩展方法。传统SLAM主要关注环境的几何结构，而语义SLAM则结合深度学习技术，从图像或传感器数据中识别物体类别、位置与姿态等语义信息，并与几何地图进行融合。

通过融合语义与几何信息，语义SLAM能够提升定位与建图的准确性与鲁棒性，使机器人不仅“知道在哪里”，还能“理解周围是什么”，从而更好地进行物体识别、障碍规避与智能决策。该方法在自动驾驶、机器人导航和增强现实等领域具有重要应用价值。使用语义分割算法对图像进行语义分割03应用举例：机器人地图构建应用举例：机器人地图构建语义SLAM技术视觉SLAM技术激光SLAM技术传统激光SLAM与视觉SLAM难以满足复杂场景下的智能建图与导航需求，语义SLAM因此得到发展。它在构建三维地图的同时识别环境中“是什么”，并区分与处理动态与静态目标，从而提升建图质量与导航智能性。激光SLAM依赖专用激光雷达