基於激光雷達的SLAM算法對比分析

基於激光雷達的SLAM算法對比分析

下面將Karto，Hector,Gmapping,Cartographer等幾種開源算法通過列表的形式進行了對比：

Hector	Gmapping	Karto	cartographer
scan-matching(Gaussian-Newton equation) +傳感器的要求高	mapping採用的是RBPF的方法	KartoSLAM是基於圖優化的方法，用高度優化和非迭代 cholesky矩陣進行稀疏系統解耦作爲解．	artographer是Google的實時室內建圖項目，傳感器安裝在揹包上面，可以生成分辨率爲5cm的2D格網地圖
要求: 高更新頻率小測量噪聲的激光掃描儀.不需要里程計,使空中無人機與地面小車在不平坦區域運行存在運用的可能性	粒子濾波的方法一般需要大量的粒子來獲取好的結果,但這必會引入計算的複雜度;粒子是一個依據過程的觀測逐漸更新權重與收斂的過程,這種重採樣的過程必然會代入粒子耗散問題(depletion problem), 大權重粒子顯著,小權重粒子會消失(有可能正確的粒子模擬可能在中間的階段表現權重小而消失).	圖優化方法利用圖的均值表示地圖，每個節點表示機器人軌跡的一個位置點和傳感器測量數據集，箭頭的指向的連接表示連續機器人位置點的運動，每個新節點加入，地圖就會依據空間中的節點箭頭的約束進行計算更新．	獲得的每一幀laser scan數據，利用scan match在最佳估計位置處插入子圖（submap）中，且scan matching只跟當前submap有關。在生成一個submap後，會進行一次局部的迴環（loop close），利用分支定位和預先計算的網格，所有submap完成後，會進行全局的迴環。
利用已經獲得的地圖對激光束點陣進行優化, 估計激光點在地圖的表示,和佔據網格的概率. 爲避免局部最小而非全局最優的出現,地圖採用多分辨率的形式.	自適應重採樣技術引入減少了粒子耗散問題 , 計算粒子分佈的時候不單單僅依靠機器人的運動(里程計),同時將當前觀測考慮進去, 減少了機器人位置在粒子濾波步驟中的不確定性	KartoSLAM的ROS版本，其中採用的稀疏點調整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環檢測相關．landmark越多,內存需求越大,然而圖優化方式相比其他方法在大環境下製圖優勢更大.在某些情況下KartoSLAM更有效,因爲他僅包含點的圖(robot pose),求得位置後再求map.	submap的構造是一個重複迭代配準scan和submap的過程。利用配準估算出pose對scan進行剛體變換，插入到submap中。 連續的scan用來構造submap，這裏submap以概率格網的形式表現。每一個scan，在插入格網（submap）時，每一個grid有hits和miss兩種情況。離scan終點最近的grid爲hits，在scan原點和終點之間相交的grid爲miss。之前未觀察的grid分配一個概率，已觀察的grid進行概率更新。
		論文 Efficient Sparse Pose Adjustment for 2D mapping

citations

• http://morecoder.com/article/1069241.html
• https://blog.csdn.net/u012700322/article/details/52953768
• https://blog.csdn.net/zyh821351004/article/details/47381135

cartographer與karto的都是2D激光SLAM算法，而且不是基於概率估計的SLAM框架

1. 兩者採取的都是圖優化框架

採取的優化庫不一致， karto採取的是spa(karto_slam)或g2o(nav2d), cartographer採取的是google的ceres構建problem優化。 karto的前端與後端採取的是單線程進行，cartographer按paper說明，採取的是4線程後端優化，還在進一步確定。

2. 運動預測部分：tracker

karto利用的是odom進行初始位置的預測， cartographer部分利用imu構建預測模型，scanmatcher與odom(可選)構建觀測模型，採取UKF進行運動預測， cartographer帶有tracker的說法。

3. scanMatcher 部分

3.1 karto 採取的的是real-time correlative scan matcher（三維窗口遍歷尋優）的方式進行的。 採取的是雙分辨率的低分辨率和高分辨率的兩次搜索。

3.2 cartoGrapher也是採取的雙搜索的方式進行的， 先用一次real-time correlative scan matcher（三維窗口遍歷尋優），再構建優化等式，利用ceres優化求解。（柵格概率， T的偏差，R的偏差）

4. submap的說明

4.1 karto沒有submap的概念，全部以keyScan的形式存儲在sensorManager。 無地圖緩存，但每次計算地圖有計算消耗。採取的是scan-map的匹配方式，每次keyScan進入主動的依據pose的距離窗口生成localMap進行匹配。 local 與 gloal的loop closure依據graph的結構和sensorManage順序存儲分配的ID信息，選擇候選scans，生成localMap，進行匹配，依據score進一步確定閉環。

4.2 . cartographer採用了submap的概念， 依據一定數量的scan初始一個submap, 依據窗口大小， 插入newScan，更新submap. 有子圖緩存，會佔用內存。

5. Loop-Closure

5.1 karto 主要依據pose 和 distance信息創建localMap，scanMatcher（real-time correlative scan matcher）確定。

1. 依據當前的Vertex, 從Graph中找到與之相鄰的所有vertex(一定距離範圍內).
2. 採取廣度優先搜索的方式，將相鄰（next）與相連（adjacentVertices）添加進nearLinkedScans.
3. 從sensorManager中取從前到後，依據id序號挑選與當前在一定距離範圍內，且不在nearLinkedScans中的candidateScans, 當數量達到一定size，返回。
   4）loopScanMatcher進行scanTomap的匹配，當匹配response 和covariance達到一定要求認爲閉環檢測到。得到調整的correct pose.
   5）Add link to loop : 調整邊（全局閉環）
4. 觸發correctPose: spa優化

5.2 cartogapher 類似（（real-time correlative scan matcher）），引入了branch and bound的方式， 加快了閉環的查找。

依據多分辨率多層的樹型結構，單枝生長的方式(branch)，及時剪枝操作（bound），深度優先搜索(DFS)確定閉環。 （Intra-submap Inter-submap ）

添加相應的閉環約束。構建優化問題，利用ceres優化。

參考

• https://blog.csdn.net/hzy925/article/details/78857241