SLAM 是 Simultaneous localization and ming 縮寫，意為“同步定位與建圖”，主要用于解決機器人在未知環(huán)境運動時的定位與地圖構(gòu)建問題，為了讓大家更多的了解 SLAM，以下將從 SLAM 的應用領(lǐng)域、SLAM 框架、SLAM 分類（基于傳感器的 SLAM 分類）來進行全面闡述，本文僅對沒有接觸過 SLAM 的新人進行的科普。

　　M 的典型應用領(lǐng)域 ** 機器人定位導航領(lǐng)域：地圖建模。SLAM 可以輔助機器人執(zhí)行路徑規(guī)劃、自主探索、導航等任務。國內(nèi)的科沃斯、塔米以及最新面世的嵐豹掃地機器人都可以通過用 SLAM 算法結(jié)合激光雷達或者攝像頭的方法，讓掃地機高效繪制室內(nèi)地圖，智能分析和規(guī)劃掃地環(huán)境，從而成功讓自己步入了智能導航的陣列。國內(nèi)思嵐科技 (SLAMTEC) 為這方面技術(shù)的主要提供商，SLAMTEC 的命名就是取自 SLAM 的諧音，其主要業(yè)務就是研究服務機器人自主定位導航的解決方案。目前思嵐科技已經(jīng)讓關(guān)鍵的二維激光雷達部件售價降至百元，這在一定程度上無疑進一步拓展了 SLAM 技術(shù)的應用前景。

　　效果更為真實的地圖，從而針對當前視角渲染虛擬物體的疊加效果，使之更真實沒有違和感。VR/AR 代表性產(chǎn)品中微軟 Hololens、谷歌 ProjectTango 以及 MagicLeap 都應用了 SLAM 作為視覺增強手段。

　　無人機領(lǐng)域：地圖建模。SLAM 可以快速構(gòu)建局部 3D 地圖，并與地理信息系統(tǒng)（GIS）、視覺對象識別技術(shù)相結(jié)合，可以輔助無人機識別路障并自動避障規(guī)劃路徑，曾經(jīng)刷爆美國朋友圈的 Hovercamera 無人機，就應用到了 SLAM 技術(shù)。

　　無人駕駛領(lǐng)域：視覺里程計。SLAM 技術(shù)可以提供視覺里程計功能，并與 GPS 等其他定位方式相融合，從而滿足無人駕駛精準定位的需求。例如，應用了基于激光雷達技術(shù) Google 無人駕駛車以及牛津大學 MobileRoboticsGroup11 年改裝的無人駕駛汽車野貓 (Wildcat) 均已成功路測。

　　二、SLAM 框架 SLAM 系統(tǒng)框架如圖所示，一般分為五個模塊，包括傳感器數(shù)據(jù)、視覺里程計、后端、建圖及回環(huán)檢測。傳感器數(shù)據(jù)：主要用于采集實際環(huán)境中的各類型原始數(shù)據(jù)。包括激光掃描數(shù)據(jù)、視頻圖像數(shù)據(jù)、點云數(shù)據(jù)等。視覺里程計：主要用于不同時刻間移動目標相對位置的估算。包括特征匹配、直接配準等算法的應用。后端：主要用于優(yōu)化視覺里程計帶來的累計誤差。包括濾波器、圖優(yōu)化等算法應用。建圖：用于三維地圖構(gòu)建?；丨h(huán)檢測：主要用于空間累積誤差消除

　　其工作流程大致為：傳感器讀取數(shù)據(jù)后，視覺里程計估計兩個時刻的相對運動（Ego-motion），后端處理視覺里程計估計結(jié)果的累積誤差，建圖則根據(jù)前端與后端得到的運動軌跡來建立地圖，回環(huán)檢測考慮了同一場景不同時刻的圖像，提供了空間上約束來消除累積誤差。

　　三、SLAM 分類（基于傳感器的 SLAM 分類）目前用在 SLAM 上的傳感器主要分為這兩類，一種是基于激光雷達的激光 SLAM(Lidar SLAM)和基于視覺的 VSLAM(Visual SLAM)。1. 激光 SLAM 激光 SLAM 采用 2D 或 3D 激光雷達（也叫單線D 激光雷達一般用于室內(nèi)機器人上（如掃地機器人），而 3D 激光雷達一般使用于無人駕駛領(lǐng)域。激光雷達的出現(xiàn)和普及使得測量更快更準，信息更豐富。激光雷達采集到的物體信息呈現(xiàn)出一系列分散的、具有準確角度和距離信息的點，被稱為點云。通常，激光 SLAM 系統(tǒng)通過對不同時刻兩片點云的匹配與比對，計算激光雷達相對運動的距離和姿態(tài)的改變，也就完成了對機器人自身的定位。激光雷達測距比較準確，誤差模型簡單，在強光直射以外的環(huán)境中運行穩(wěn)定，點云的處理也比較容易。同時，點云信息本身包含直接的幾何關(guān)系，九游體育官網(wǎng)使得機器人的路徑規(guī)劃和導航變得直觀。激光 SLAM 理論研究也相對成熟，落地產(chǎn)品更豐富。

　　2. 視覺 SLAM 眼睛是人類獲取外界信息的主要來源。視覺 SLAM 也具有類似特點，它可以從環(huán)境中獲取海量的、富于冗余的紋理信息，擁有超強的場景辨識能力。早期的視覺 SLAM 基于濾波理論，其非線性的誤差模型和巨大的計算量成為了它實用落地的障礙。近年來，隨著具有稀疏性的非線性優(yōu)化理論 (Bundle Adjustment) 以及相機技術(shù)、計算性能的進步，實時運行的視覺 SLAM 已經(jīng)不再是夢想。視覺 SLAM 的優(yōu)點是它所利用的豐富紋理信息。例如兩塊尺寸相同內(nèi)容卻不同的廣告牌，基于點云的激光 SLAM 算法無法區(qū)別他們，而視覺則可以輕易分辨。這帶來了重定位、場景分類上無可比擬的巨大優(yōu)勢。同時，視覺信息可以較為容易的被用來跟蹤和預測場景中的動態(tài)目標，如行人、車輛等，對于在復雜動態(tài)場景中的應用這是至關(guān)重要的。通過對比我們發(fā)現(xiàn)，激光 SLAM 和視覺 SLAM 各擅勝場，單獨使用都有其局限性，而融合使用則可能具有巨大的取長補短的潛力。例如，視覺在紋理豐富的動態(tài)環(huán)境中穩(wěn)定工作，并能為激光 SLAM 提供非常準確的點云匹配，而激光雷達提供的精確方向和距離信息在正確匹配的點云上會發(fā)揮更大的威力。而在光照嚴重不足或紋理缺失的環(huán)境中，激光 SLAM 的定位工作使得視覺可以借助不多的信息進行場景記錄。

　　近年來，SLAM 導航技術(shù)已取得了很大的發(fā)展，它將賦予機器人和其他智能體前所未有的行動能力，而激光 SLAM 與視覺 SLAM 必將在相互競爭和融合中發(fā)展，使機器人從實驗室和展廳中走出來，做到真正的服務于人類。

　　本站部分資源來自于網(wǎng)絡收集，若侵犯了你的隱私或版權(quán)，請及時聯(lián)系我們刪除有關(guān)信息。聯(lián)系郵箱: