SLAM从入门到精通（基本框架）

嵌入式-老费

已于 2023-09-04 11:20:24 修改

版权

SLAM是机器人的一个分支。广义上来说，机器人还包括了计算机视觉、语音识别、自然语言处理、机械臂控制、运动控制、机器人导航、机器人调度等很多分支领域。而SLAM解决的问题则是最基本的问题，归纳起来就是两句话，第一，这是什么地方；第二，我在哪。当然要想解决这个问题，我们就必须要一定的传感器输入，通过算法计算，最终输出自己的位姿信息。这是直觉上最容易想到的办法。

1、基本SLAM方法

一个机器人一般是由两部分组成。下面是底盘，上面是躯干部份，一般也是作业部分。而要解决slam问题，通常需要安装一个或者是多个传感器。不同的传感器有不同的用途，一般有电机编码器、摄像头、单线雷达、imu、3d lidar等等。

很多传感器都是可以直接输出位姿结果的，比如电机编码器或者IMU。假设是一个差速轮，我们就可以通过差速轮算出当前机器人的里程计数据。如果是这么做，那么整个SLAM的架构就简单了，

2、带优化的SLAM计算方法

仅仅使用单个传感器，就可以解决SLAM的问题，如果是这样的话，这反而变得简单了。但是现实中，单个传感器往往有很多的局限性。比如说，如果说只是使用电机编码器计算里程计，遇到平直的路面可能还好，一旦遇到坑坑洼洼的路面，可能机器人本身并没有往前走很远，但是电机已经走了很远的距离。所以这个时候，我们很自然地想到，也许需要其他办法解决这个问题，

方法1，用数学优化方法来解决。一般来说，简单的SLAM定位只考虑传感器数据前后帧的关系，没有对一个范围内的数据进行优化，这样至少可以解决一部分累积误差。

方法2，这个方法比math optimise好理解一点。相当于传感器1获得一个基础结果之后，利用传感器2对传感器1的结果进行迭代优化，生成一个更好的结果。

方法3，这也是比较容易想到的办法，那就是一个传感器不行，就多个传感器一起运行。最终把所有的计算结果进行融合处理。

3、添加回环检测的SLAM处理方法

有了上面的优化和处理，看上去SLAM结果会比之前好很多。事实上也确实是这样的。但是这个里面有一个问题，虽然优化方法也好、多传感器也好，它们都只能降低一定范围的误差，但是没有办法消弭全局范围内降低误差呢。所以为了解决这个问题，早期的研发人员又想出来了回环检测的方法。它的道理还是比较简单的，主要是第一次制图的时候使用，它就是告诉机器人系统，自己曾经来过这个地方，之前的SLAM结果也保存着。那么现在的SLAM可以通过之前保存好的结果+现在传感器的偏移，得到新的结果。这样就可以进一步缩小长期运行带来的累积误差。

仔细想一下，2中的优化其实是一种局部优化，3中的优化是一种全局优化，一个处理器再强，也没有办法在规定的时间里面做全局优化。那么通过关键帧保存、参考帧检测的方法，就可以实现这一目的。而回环检测，就是在全局优化和实时处理之间的一种妥协方法。这种回环检测也是主要用于第一次SLAM处理的时候，后期定位一般用不到。

4、全局SLAM和局部SLAM分开的方法

实际使用的时候，我们一般是全局SLAM和局部SLAM分开的。全局SLAM一般要求的定位精度是比较粗的，可以是几厘米，十几厘米。而局部SLAM的进度要求，则为几厘米，甚至是几毫米。所以，要做到这一点，有必要局部添加更多的特征信息，才能实现这一目标。而对全局SLAM，则可以做相应的简化措施。

文章知识点与官方知识档案匹配，可进一步学习相关知识

算法技能树首页概览51125 人正在系统学习中

SLAM从入门到精通（基本框架）

SLAM从入门到精通（基本框架）

1、基本SLAM方法

2、带优化的SLAM计算方法

3、添加回环检测的SLAM处理方法

4、全局SLAM和局部SLAM分开的方法

Recommend

SLAM从入门到精通（开始篇）

SLAM从入门到精通（CMake编译）

SLAM从入门到精通（基础数学）

SLAM从入门到精通（gmapping建图）

SLAM从入门到精通（tf的使用）

SLAM从入门到精通（地图发布）

SLAM从入门到精通（amcl定位使用）

SLAM从入门到精通（从amcl到navigation软件栈）

SLAM从入门到精通（IMU数据的读取）

SLAM从入门到精通（第一次hector slam建图）

About Joyk