摘要：同时定位与建图（SLAM）由环境的即时构建与机器人在该环境中的状态估计而构成。SLAM技术是移动机器人实现真正自主导航的关键, 在室内环境、水下环境、资源勘查、太空探索等领域发挥着重要的作用,具有重要的理论意义和应用价值。SLAM技术根据传感器的不同主要分为激光雷达SLAM和视觉SLAM。本文回顾激光雷达SLAM的相关工作，并介绍激光雷达SLAM的主流算法以及主要流程，如LOAM。
一、激光雷达SLAM的相关工作
在智能机器人中，地图绘制和状态估计是最基本的能力之一。为了实现基于视觉和基于雷达的六自由度同步定位与建图，人们已经付出了巨大的努力。尽管基于视觉的方法在回环检测上有优势，但因为它对光照和视角变化的敏感性，如果仅将其作为唯一的导航传感器，会使得这种能力不可靠。另一方面，基于激光雷达的方法即使在夜间也能发挥作用，而且许多三维激光雷达的高分辨率允许在大口径上捕获远距离环境的精确细节。因此，本课题主要研究利用三维激光雷达所支持的实时状态估计和建图。
寻找两次激光雷达扫描之间转换的典型方法是迭代最近点（ICP）算法[1]。通过逐点的寻找对应点，ICP迭代地对齐两组点，直到满足停止标准。当扫描中包含大量的点时，ICP可能会承受高昂的计算成本。为了提高ICP的效率和准确性，提出了多种ICP变体[2]。文[3] 引入一个点到平面的ICP变体，该变体匹配点与局部平面块。Generalized—ICP [4]提出了一种从两次扫描中匹配局部平面块的方法。此外，一些ICP变体利用并行计算来提高效率[5]-[8]。
基于特征的匹配方法因其从环境中提取具有代表性的特征使得所需的计算资源更少，从而备受关注。这些特征应该适合于有效的匹配和不变的视角。许多已经被提出的检测器使用简单有效的技术从点云中提取这些特征，如点特征直方图（PFH）[9]和视角特征直方图（VFH）[10]。文[11]介绍了一种利用Kanade-Tomasi角点检测器从点云中提取通用特征的方法。[12]讨论了从稠密点云中提取线和平面特征的框架。
许多使用特征进行点云配准的算法也被提出。文[13]和[14]提出了一种在局部簇中进行点曲率计算的关键点选择算法。然后使用选定的关键点执行匹配和位置识别。通过将点云投影到深度图像上并分析深度值的二阶导数，文[15]从具有高曲率的点中选择特征进行匹配和位置识别。假设环境是由平面构成的，文[16]提出了一种基于平面的配准算法。室外环境，例如森林，可能限制这种方法的应用。文[17]提出了一种专为Velodyne激光雷达设计的项圈线段（CLS）方法。CLS使用扫描的两个连续“环”中的点随机生成行。由此生成两个线云并用于配准。然而，这种方法需要面对随机生成线的挑战。文[18]提出了一种基于分割的配准算法。该方法首先对点云进行分割。然后根据特征值和形状直方图计算每一部分的特征向量。随机森林用于匹配两次扫描的部分。虽然该方法可以用于在线位姿估计，但只能提供1Hz左右的定位更新。
二、主流激光SLAM算法
文[19]和[20]提出了一种低漂移、实时的激光雷达里程计与建图（LOAM）方法。LOAM实现点特征到边缘/平面的扫描匹配，以查找扫描之间的对应关系。通过计算点在其局部区域的粗糙度来提取特征。选择粗糙度值较高的点作为边缘特征。同样，低粗糙度值的点被指定为平面特征。通过使用两种算法分割典型的复杂的同时定位和建图问题（SLAM），以实现实时性。一种算法在高频下运行，在低精度下估计传感器速度。一种算法在高频率但低保真度下进行里程测量以估计激光雷达的速度。另一种算法以一个较低数量级的频率运行，用于点云的精细匹配和配准。具体地说，这两种算法都提取位于锐利边缘和平面上的特征点，并分别将特征点与边缘线段和平面曲面片进行匹配。在里程计算法中，通过保证快速计算，来找到特征点的对应关系。在建图算法中，通过检查局部点簇的几何分布，使用相关的特征值和特征向量来确定对应关系。在KITTI里程计基准数据集上，LOAM结果的精度是仅使用激光雷达进行估计的方法中最佳的[21]。
随着激光雷达的发展，它的体积和重量得到了缩小，可以连接到一些小型设备上。文[22]尝试了在一个小型嵌入式系统上实现激光SLAM，希望在配有激光雷达的无人地面车辆上（UGVs）实现可靠且实时的六自由度位姿估计。如果UGV是平滑运动的且具有稳定特征，并且有足够的计算资源支持，那么为这类任务实现LOAM时，我们可以获得低漂移的运动估计。然而，当资源有限时，LOAM的性能会下降。由于需要计算密集三维点云中每个点的粗糙度，轻量级嵌入式系统特征提取的更新频率往往跟不上传感器的更新频率。无人地面车辆在嘈杂环境中的运行也给LOAM带来了挑战。由于在小型无人车上，激光雷达的安装位置通常接近地面，因此来自地面的传感器噪声可能持续存在。例如，从草地返回的区域可能会导致高粗糙度值。因此，从这些点可能提取不可靠的边缘特征。类似地，也可能从树叶返回的点中提取不可靠的边缘或平面特征。这种特征对于扫描匹配通常是不可靠的，因为两个连续的扫描可能看不到相同的草叶或叶片。使用这些特征可能会导致配准不准确和较大的偏移。
因此，文[22] 提出了一种轻量化的且经过地面优化的LOAM（LeGO-LOAM），用于复杂地形环境下无人地面车辆的位姿估计。LeGO-LOAM是轻量级的，它可以在一个低功耗的嵌入式系统上实现实时的位姿估计。LeGO-LOAM是经过地面优化的，它在分割和优化步骤中利用了地面的存在。LeGO-LOAM首先采用点云分割来过滤噪声，并进行特征提取，得到鲜明的平面和边缘特征。使用一种两步式的Levenberg-Marquardt优化方法，利用平面和边缘特征来求解连续扫描中六自由度转化的不同分量。对比于最先进的LOAM算法，LeGO-LOAM在更少的计算开销下达到了与之相似或更好的精度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
