服务粉丝

我们一直在努力
当前位置：首页 > 财经 >

有哪些激光雷达SLAM算法？

日期： 来源：新机器视觉收集编辑：

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

来源丨https://www.zhihu.com/question/433556301

方法一

作者｜牛先卓

https://www.zhihu.com/question/433556301/answer/1618614187


激光雷达分单线和多线这两大类，针对这两类Lidar所使用的算法也不尽相同。
首先单线雷达一般应用在平面运动场景，多线雷达则可以应用于三维运动场景。

2D Lidar SLAM

一般将使用单线雷达建构二维地图的SLAM算法，称为2D Lidar SLAM。大家熟知的2D Lidar SLAM算法有：gmapping, hector, karto, cartographer。通常数据和运动都限制在2D平面内且运动平面与激光扫描平面平行。

gmapping[1]

基于粒子滤波的2D激光雷达SLAM，构建二维栅格地图。融合里程计信息，没有回环检测。
优点是在小场景中，计算量小，速度较快。
缺点是每个粒子都携带一幅地图，无法应对大场景（内存和计算量巨大）；如果里程不准或标定参数不准，在长回廊等环境中容易把图建歪。

hector[2]

hector SLAM是完全基于scan-matching的，使用迭代优化的方法来求匹配的最佳位置，为避免陷入局部极值，也采用多分辨率的地图匹配。
由于完全依赖于scan matching，要求雷达的测量精度较高、角度范围大，扫描速度较高（或移动速度慢）。噪声多、边角特征点少的场景就很容易失败。
原文所提出方法的特点还在于，加入IMU，使用EKF估计整体的6DoF位姿，并根据roll, pitch角将激光扫描数据投影到XY平面，因而支持激光雷达有一定程度的倾斜，比如手持或机器人运动在不是很平整的地面上。

karto[3][4]

karto是基于scan-matching，回环检测和图优化SLAM算法，采用SPA（Sparse Pose Adjustment）进行优化。
关于karto 和 cartographer 的比较，可以看看这里：https://blog.csdn.net/hzy925/article/details/78857241

cartographer[5][6]

cartographer是谷歌开源的激光SLAM框架，主要特点在于：
1.引入submap，scan to submap matching，新到的一帧数据与最近的submap匹配，放到最优位置上。如果不再有新的scan更新到最近的submap，再封存该submap，再去创建新的submap。
2.回环检测和优化。利用submap和当前scan作回环检测，如果当前scan与已经创建的submap在距离上足够近，则进行回环检测。检测到回环之后用ceres进行优化，调整submap之间的相对位姿。为了加快回环检测，采用分枝定界法。
cartographer也可以应用于3D Lidar SLAM（我还没试过），不过最出名的还是她在2D Lidar SLAM方面的出色表现，毕竟论文标题就是“Real-time loop closure in 2D LIDAR SLAM”。

3D Lidar SLAM

3D Lidar SLAM主要是针对多线雷达的SLAM算法。比较出名的有LOAM, LeGO-LOAM, LOAM-livox等。

LOAM[7]

LOAM是针对多线激光雷达的SLAM算法，主要特点在于：1) 前端抽取平面点和边缘点，然后利用scan-to-scan的匹配来计算帧间位姿，也就形成了里程计；2) 由估计的帧间运动，对scan中的每一个点进行运动补偿；3) 生成map时，利用里程计的信息作为submap-to-map的初始估计，再在利用submap和map之间的匹配做一次优化。
LOAM提出的年代较早（2014），还没有加入回环优化。
关于LOAM的详细解析，可以参考这篇专栏文章：
https://zhuanlan.zhihu.com/p/111388877
ALOAM[8]是Advanced implementation of LOAM，使用Eigen和ceres-solver简化代码实现。

LeGO-LOAM[9]

LeGO-LOAM在LOAM的基础上主要改进：1) 地面点分割，点云聚类去噪；2）添加了ICP回环检测和gtsam优化。
关于LeGO-LOAM的详细解析，可以查看这个专栏文章：
https://zhuanlan.zhihu.com/p/115986186

LOAM_livox[10]

大疆2019年公布的面向小FOV Lidar的LOAM算法。相比LOAM，做了一些改动。算法的特点：
1.添加策略提取更鲁棒的特征点：a) 忽略视角边缘有畸变的区域; b) 剔除反射强度过大或过小的点 ; c) 剔除射线方向与所在平台夹角过小的点; d) 部分被遮挡的点
2.与LOAM一样，有运动补偿
3.里程计中剔除相对位姿解算后匹配度不高的点（比如运动物体）之后，再优化一次求解相对位姿。

视觉和Lidar 融合的SLAM算法

VLOAM[11]

VLOAM 是视觉和激光雷达紧耦合的方案。
视觉里程计部分，图像帧之间的相对位姿估计以60Hz运行。先抽取和匹配图像特征，雷达点云融合成深度地图，再将深度地图与视觉特征点关联起来，以帮助计算两帧之间的相对位姿。
雷达里程计部分，将1s内的数据作为一个完整扫描 sweep。Sweep-to-Sweep refinement模块优化求解两个sweep之间的相对运动并去除运动畸变，Sweep-to-Map Registration模块将局部点云注册到已经构建的地图上面。
Transform Integration模块则结合两个里程计，以视觉里程计的高帧率输出位姿估计。
待补充 。。。

参考

1.Grisetti, G., et al. (2007). "Improved techniques for grid mapping with rao-blackwellized particle filters."  23(1): 34-46.
2.Kohlbrecher, S., et al. (2011). A flexible and scalable slam system with full 3d motion estimation. 2011 IEEE international symposium on safety, security, and rescue robotics, IEEE.
3.https://github.com/ros-perception/slam_karto
4.https://github.com/skasperski/OpenKarto
5.https://github.com/cartographer-project/cartographer
6.Hess, W., et al. (2016). Real-time loop closure in 2D LIDAR SLAM. Robotics and Automation (ICRA), 2016 IEEE International Conference on, IEEE.
7.Zhang, J. and S. Singh (2014). LOAM: Lidar Odometry and Mapping in Real-time. Robotics: Science and Systems.
8.https://github.com/HKUST-Aerial-Robotics/A-LOAM
9.Shan, T. and B. Englot (2018). Lego-loam: Lightweight and ground-optimized lidar odometry and mapping on variable terrain. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE.
10.Lin, J. and F. Zhang (2020). Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV. 2020 IEEE International Conference on Robotics and Automation (ICRA), IEEE.
11.Zhang, J. and S. Singh (2015). Visual-lidar odometry and mapping: Low-drift, robust, and fast. 2015 IEEE International Conference on Robotics and Automation (ICRA), IEEE.

方法二

作者｜MangoFan

https://www.zhihu.com/question/433556301/answer/1618562152


2D：效果最好的应当是Google的Cartographer，此外还有基于粒子滤波的gmapping，基于优化的hector slam等等。
3D领域：
经典的LOAM（A-LOAM），用特征点：planar points & edge points 来进行帧间匹配，无回环
LeGO-LOAM  ICP 的方法加入了回环，用于减小漂移，一致性更强
G-LOAM 引入 GPS 作为新增的位姿约束,用 Levenberg-Marquardt 方法优化位姿图
LOAM-Livox （HKU Mars Lab）一套可用于固态激光雷达的SLAM算法
Fast-LIO （HKU Mars Lab），一套可用于无人机的基于EKF的雷达惯导里程计

声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。

—THE END—

文章推荐

相关阅读

  • AI赋能，批量涨停！

  • 声明：本文仅梳理公司和行业的最新基本面，并非在当前时间点推荐买卖公司，本公众号不具备个股操作指导功能，投资有风险，入市需谨慎人民日报今日刊发《人工智能产业化应用加速》文章

  • 元宇宙会给版权法带来什么挑战

  •   2022年3月1日，一名女子在西班牙巴塞罗那2022世界移动通信大会上通过虚拟现实技术在“元宇宙”中体验音乐会。（资料照片）  在元宇宙的背景下，我们的版权和立法可能会呈现一

  • 昨日重现：算法改变了我们的怀旧

  • 编者按：未来属于大数据，你能想到的一切正在被数据化，甚至包括文化艺术。研究表明，音乐正在变得越来越雷同。为什么？因为人们日益通过流媒体平台收听音乐，而这些普通会利用算法预测

  • ChatGPT大火，算法算力百强来了→

  • ChatGPT带动算法算力需求，中国算法算力龙头企业有哪些？3月25日，胡润研究院联合琶洲实验室（黄埔）发布《2023胡润中国数字技术算法算力百强榜》显示，前10强分别是腾讯、阿里巴巴、中

  • 中国激光杂志社招聘人事行政主管

  • 本文为中国激光第2872篇。欢迎点击在看、转发，让更多人看到招聘岗位人事行政主管职责描述1、依据公司发展战略，协助领导制定人力资源战略规划；2、根据公司战略和人力发展规划，提

  • 激光雷达是前路艰险还是如日方升？

  • 近日，笔者与两位激光雷达业内人士围绕“激光雷达的发展前景”这一话题进行了交谈，出乎意料的是，这两位业内人士对行业未来发展的看法相差甚多。业内人士1：“激光雷达确实有很多

  • 警惕消费领域新型价格欺诈→

  • 国家市场监管总局近日发文提出，平台经济大数据算法等技术提高了交易效率，也容易诱发新型价格欺诈行为，为平台经济领域的价格监管执法带来了新挑战。当前，新型价格欺诈花样繁多，不

聚合标签

中国 自己的 美国 都是 疫情 的人 亿元 的是 三星 手机 华为 这款 车型 万元 企业 日本 小米 俄罗斯 项目 民警

热门文章

  • “复活”半年后　京东拍拍二手杀入公益事业

  • 京东拍拍二手“复活”半年后，杀入公益事业，试图让企业捐的赠品、家庭闲置品变成实实在在的“爱心”。 把“闲置品”变爱心 6月12日，“益心一益·守护梦想每一步”2018年四

最新文章

  • 乡村振兴工作中不容忽视的几个问题

  • 针对当前农村正在铺开的乡村振兴工作，对广大农村进行了一次不完整小调查，发现有些问题还是比较突出的，为了更好的抓党建促乡村振兴，但愿这个小调查对于我们开展好党建工作、乡村

  • 有哪些激光雷达SLAM算法？

  • 点击下方卡片，关注“新机器视觉”公众号重磅干货，第一时间送达来源丨https://www.zhihu.com/question/433556301方法一作者｜牛先卓https://www.zhihu.com/question/433556301/a

  • 点云数据详解——点云数据变为图像

  • 点击下方卡片，关注“新机器视觉”公众号重磅干货，第一时间送达点云数据——The Point Cloud Data点云数据应表示为具有N行和至少3列的numpy数组。每行对应于单个点，其在空间（x，y，z

  • 【深度学习】深度学习综述

  • 点击下方卡片，关注“新机器视觉”公众号重磅干货，第一时间送达来源：人工智能大讲堂 1. 人工智能、机器学习、深度学习的关系近些年人工智能、机器学习和深度学习的概念十分

  • GPT-4 发布后，你的 NLP 研究发生了怎样的变化？

  • 点击下方卡片，关注“新机器视觉”公众号重磅干货，第一时间送达转载自 | 深度学习自然语言处理知乎问题：GPT-4 发布后，你的 NLP 研究发生了怎样的变化？链接：https://www.zhihu.com/