基于激光雷达的SLAM(激光SLAM)研究

Cartographer[1]是google在2016年开源[2]的跨平台和传感器配置，并提供2D和3D实时同步定位和建图的SLAM系统，主要通过闭环检测来消除构图过程中产生的累积误差，以达到融合多传感器数据的局部submap创建和用于闭环检测的scan match策略的实现。主要包括cartographer和Cartographer_ros两部分，其中cartographer为底层实现，主要负责处理来自Laser、IMU、Odemetry的数据并基于这些数据进行地图的构建。cartographer_ros是基于cartographer的上层应用，主要负责从ros的通信机制获取传感器的数据并将它们转换成cartographer中定义的格式传递给cartographer处理，与此同时也将cartographer的处理结果用于发布、显示或保存。

(2)  MC2SLAM

MC2SLAM[3]是Frank Neuhaus提出的一个实时激光里程计系统，提出了一种非刚性匹配算法（non-rigidregistration），通过把点云畸变补偿和点云匹配统一到一个优化任务之中，即先对点云进行畸变补偿，随后采用补偿后的点云进行位姿匹配。而此前的其他SLAM方法，这两步是相互d立进行的。后在后端使用IMU预积分进行位姿图优化，从而提G精度。从作者给出的测试结果，该方法和IMLS的精度相当，精度优于LOAM。

(3) LeGO-LOAM

LeGO-LOAM[4]是一种轻量J和地面优化的激光雷达里程计和建图方法，可用于实时估计移动平台的六自由度姿态。可以在低功耗嵌入式系统上实现实时姿态估计。LeGO-LOAM在分割和优化步骤中利用了地面的约束。先应用点云分割来滤除噪声，并进行特征提取，以获得d特的平面和边缘特征。然后，采用Levenberg-Marquardt优化方法，使用平面和边缘特征来解决连续扫描中六个自由度变换的不同分量。系统接收来自3D激光雷达的输入并输出6个DOF姿势估计。整个系统分为五个模块。 先是segmentation，使用单次扫描的点云，并将其投影到范围图像上进行分段（线）；然后将分段的点云发送到feature extraction模块；然后激光雷达测距仪使用从前一模块中提取的特征来找到与连续扫描相关的变换；并将这些特征在lidar mapping中进一步处理，将它们标记到全局点云图。后，transform integration模块融合了激光雷达测距和激光雷达测绘的姿态估计结果，并输出终的姿态估计。

(4) SUMA++

SUMA++[5]是SLAM大牛Cyrill组基于SUMA[6]开源的基于语义信息的激光雷达SLAM系统，在大多数场景下，可以很好的过滤动态物体，并为机器人系统提供准确的定位和地图构建。该系统通过卷积神经网络对激光雷达点云进行语义分割，并结合几何深度信息，提G语义分割的精度并合成为带语义标记的激光雷达点云，通过该点云构建带有语义信息且全局一致的稠密surfel语义地图。后，利用扫描和地图之间的语义一致性来过滤出动态物体，并在ICP过程中通过语义约束来提G姿态估计的精度。在KITTI数据集上定位精度和鲁棒性都有非常好的表现，为动态场景下的自主移动机器人导航和和动态避障提供了很好的思路。