同步定位与映射

什么是SLAM?

你需要知道三件事

SLAM(同步定位和映射)是一种用于自动驾驶汽车的方法,它允许您构建地图并在该地图中同时对您的汽车进行本地化。SLAM算法允许车辆绘制未知环境的地图。工程师使用地图信息来执行诸如路径规划和避障等任务。

SLAM为何如此重要

SLAM多年来一直是技术研究的课题。但是,随着计算机处理速度的巨大进步和低成本传感器(如相机和激光测距仪)的可用性,SLAM现在被用于越来越多的领域的实际应用。

为了理解SLAM的重要性,让我们看看它的一些好处和应用程序示例。

大满贯的例子

考虑家用机器人吸尘器。如果没有SLAM,它只会在房间内随机移动,可能无法清洁整个地板表面。另外,这种方法会消耗过多的电量,所以电池会用得更快。另一方面,具有SLAM的机器人可以利用轮子转数等信息,以及来自相机和其他成像传感器的数据来确定所需的运动量。这叫做本地化。该机器人还可以同时使用摄像头和其他传感器来创建周围障碍物的地图,并避免对同一区域进行两次清洁。这叫做映射。

SLAM对清洁机器人的好处

SLAM对清洁机器人的好处

SLAM在许多其他应用中都很有用,例如引导移动机器人编队在仓库中排列货架,将自动驾驶汽车停在空位置,或通过导航无人机在未知环境中投递包裹。MATLAB和Simulink提供SLAM算法、函数和分析工具开发各种应用程序。你可以实现同步定位和映射以及其他任务,如传感器融合,目标跟踪,路径规划而且路径跟踪

面板的导航

SLAM的工作原理

一般来说,有两种类型的技术组件用于实现SLAM。第一类是传感器信号处理,包括前端处理,这在很大程度上取决于所使用的传感器。第二种是位姿图优化,包括后端处理,它与传感器无关。

SLAM处理流程

SLAM处理流程

为了进一步了解前端处理组件,让我们来看看视觉SLAM和激光雷达SLAM——SLAM的两种不同方法。

视觉大满贯

顾名思义,视觉SLAM(或vSLAM)使用从相机和其他图像传感器获取的图像。Visual SLAM可以使用简单相机(广角相机、鱼眼相机和球形相机)、复眼相机(立体和多相机)和RGB-D相机(深度和ToF相机)。

视觉SLAM可以用相对便宜的摄像机以较低的成本实现。此外,由于相机提供大量的信息,它们可以用来探测地标(以前测量过的位置)。地标检测还可以与基于图的优化相结合,实现SLAM实现的灵活性。

单目SLAM是指vSLAM使用单个摄像机作为唯一的传感器,这使得定义深度具有挑战性。这可以通过检测AR标记、棋盘或图像中的其他已知物体进行定位来解决,也可以通过将摄像机信息与其他传感器(如惯性测量单元(imu))融合来解决,imu可以测量速度和方向等物理量。与vSLAM相关的技术包括运动结构(SfM)、视觉里程测量和束调整。

视觉SLAM算法大致可以分为两类。稀疏方法对图像特征点进行匹配,采用PTAM、ORB-SLAM等算法。密集方法使用图像的整体亮度,并使用诸如DTAM、LSD-SLAM、DSO和SVO等算法。

结构来源于运动。

结构来源于运动。

RGB-D SLAM点云注册。

RGB-D SLAM点云注册

激光雷达大满贯

光探测及测距(激光雷达)是一种主要使用激光传感器(或距离传感器)的方法。

与相机、ToF和其他传感器相比,激光的精度要高得多,而且被用于自动驾驶汽车和无人机等高速移动的车辆上。激光传感器的输出值一般为2D (x, y)或3D (x, y, z)点云数据.激光传感器点云提供了高精度的距离测量,在SLAM地图构建中非常有效。通常,通过匹配点云顺序估计运动。计算出的运动(行进距离)被用来定位车辆。激光雷达点云匹配采用迭代最近点(ICP)和正态分布变换(NDT)等配准算法。2D或3D点云图可以表示为网格图或体素图。

另一方面,点云在密度方面不像图像那样细致,并不总是提供足够的特征进行匹配。例如,在障碍物很少的地方,很难对齐点云,这可能会导致失去车辆位置的跟踪。另外,点云匹配一般需要较高的处理能力,因此需要对过程进行优化以提高速度。由于这些挑战,自动驾驶汽车的定位可能需要融合其他测量结果,如车轮里程数、全球卫星导航系统(GNSS)和IMU数据。对于仓库机器人等应用,二维激光雷达SLAM通常使用,而SLAM使用3d激光雷达点云可用于无人机和自动驾驶。

SLAM与2D激光雷达

SLAM与2D激光雷达

SLAM与3D激光雷达

SLAM与3D激光雷达

SLAM的常见挑战

尽管SLAM用于一些实际应用程序,但一些技术挑战阻碍了更通用的采用。每一种方法都有能够帮助克服障碍的对策。

1.定位误差累积,导致与实际值有较大偏差

SLAM估计连续的移动,其中包括一些误差幅度。随着时间的推移,误差会不断累积,导致与实际值的巨大偏差。它还可能导致地图数据崩溃或扭曲,使后续搜索变得困难。让我们以在一个方形通道上开车为例。随着误差的积累,机器人的起点和终点不再匹配。这被称为闭环问题。像这样的姿态估计误差是不可避免的。检测闭环并确定如何纠正或消除累积的错误是很重要的。

无法回到起点(扭曲的地图)

构造位姿图并将误差最小化的示例。

一个对策就是记住以前去过的地方的一些特征作为地标,尽量减少定位错误。构造姿势图来帮助纠正错误。通过将误差最小化作为一个优化问题来解决,可以生成更精确的地图数据。这种优化在可视SLAM中称为束调整。

构造位姿图并将误差最小化的示例。

构造位姿图并将误差最小化的示例

2.定位失败,地图上的位置丢失

图像和点云制图没有考虑机器人的运动特征。在某些情况下,这种方法可以生成不连续的位置估计。例如,一个以1米/秒的速度移动的机器人突然向前跳了10米的计算结果。这种定位失败可以通过使用恢复算法或通过融合运动模型与多个传感器进行基于传感器数据的计算来防止。

有几种方法使用运动模型与传感器融合。一个常见的方法是使用卡尔曼滤波对本地化。由于大多数差速驱动机器人和四轮车辆一般使用非线性运动模型,扩展卡尔曼滤波和粒子过滤器(蒙特卡罗定位)是常用的方法。在某些情况下,也可以使用更灵活的贝叶斯滤波器,如无气味的卡尔曼滤波器。一些常用的传感器是惯性测量装置,如IMU,姿态和航向参考系统或明显惯性导航系统或INS、加速度计传感器、陀螺传感器和磁传感器)。安装在车辆上的车轮编码器通常用于里程表测量。

当本地化失败时,a对策恢复是通过记住一个地标作为一个关键帧从以前去过的地方。当搜索一个地标时,a特征提取进程以一种可以高速扫描的方式应用。一些基于图像特征的方法包括特征袋(BoF)和视觉词袋(BoVW)。最近,深度学习被用来比较特征之间的距离。

3.高计算成本的图像处理,点云处理和优化

在车辆硬件上实现SLAM时,计算成本是一个问题。计算通常在紧凑和低能量的嵌入式微处理器上执行,这些处理器的处理能力有限。为了实现精确的定位,执行是必不可少的图像处理以及高频点云匹配。此外,闭环等优化计算是高计算量的过程。挑战在于如何在嵌入式微型计算机上执行如此昂贵的计算处理。

一个对策就是并行运行不同的进程。特征提取等过程是匹配过程的预处理,比较适合并行化。使用多核cpu进行处理、单指令多数据(SIMD)计算和嵌入式gpu可以在某些情况下进一步提高速度。此外,由于位姿图优化可以在一个相对较长的周期内执行,降低其优先级并定期执行该过程也可以提高性能。

SLAM与MATLAB

MATLAB®提供了为目标系统实现SLAM应用程序的功能,并使用SLAM解决了许多已知技术挑战的对策。

SLAM前端传感器信号和图像处理

SLAM后端的2D / 3D姿态图

占用网格SLAM地图生成器应用

  • 从MATLAB工作区或rosbag文件导入2D激光雷达数据并创建占用网格
  • 查找和修改循环闭包,并导出地图作为路径规划的占用网格

使用SLAM算法的输出映射路径规划和控制

加速计算密集型的进程,例如那些与图像处理相关的进程,通过使用并行运行它们并行计算工具箱™

部署独立的ROS节点,并从MATLAB和Simulink与启用ROS的机器人通信®使用ROS工具箱

在嵌入式微处理器上使用MATLAB和Simulink开发的图像处理和导航算法MATLAB编码器™而且GPU编码器™

Baidu
map