激光即時(shí)定位與建圖算法綜述

劉志成，王華龍，馬興錄

(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島 266061)

0 引言

激光即時(shí)定位與建圖(SLAM，simultaneous localization and mapping)是機(jī)器人領(lǐng)域中的關(guān)鍵技術(shù)，它可以利用激光雷達(dá)掃描環(huán)境并提取特征點(diǎn)，實(shí)現(xiàn)機(jī)器人的自主定位和地圖構(gòu)建。近年來，隨著機(jī)器人技術(shù)和激光雷達(dá)技術(shù)的不斷發(fā)展，激光SLAM也得到了廣泛的研究和應(yīng)用。

目前，國(guó)內(nèi)外對(duì)于激光SLAM的研究主要集中在以下幾個(gè)方面：算法優(yōu)化，硬件平臺(tái)，應(yīng)用場(chǎng)景等[1]。在算法優(yōu)化方面，研究人員不斷探索和改進(jìn)各種激光SLAM算法，如基于優(yōu)化的SLAM算法、基于點(diǎn)云配準(zhǔn)的SLAM算法、基于學(xué)習(xí)的SLAM算法等，以提高算法的精度和魯棒性，并降低計(jì)算復(fù)雜度和硬件要求。在硬件平臺(tái)方面，研究人員致力于開發(fā)更加高效、精準(zhǔn)和穩(wěn)定的激光雷達(dá)，以及與之配套的機(jī)器人平臺(tái)。在應(yīng)用場(chǎng)景方面，研究人員不斷探索和拓展激光SLAM在各種實(shí)際應(yīng)用場(chǎng)景的應(yīng)用，如室內(nèi)導(dǎo)航、無人駕駛、智能物流等。

1 國(guó)外激光SLAM算法研究現(xiàn)狀與應(yīng)用

隨著人工智能的發(fā)展，目前國(guó)外在激光SLAM方面的主要研究現(xiàn)狀有算法優(yōu)化、多傳感器融合以及深度學(xué)習(xí)與SLAM等。激光SLAM主要應(yīng)用在自動(dòng)駕駛、機(jī)器人、AR/VR以及無人飛行器等方面。也有大量國(guó)外學(xué)者針對(duì)相關(guān)激光SLAM算法的缺點(diǎn)和不足進(jìn)行了大量研究并且發(fā)表了很多優(yōu)秀文章，例如，對(duì)于基于濾波器的SLAM算法，具有局限性，如計(jì)算復(fù)雜度高、粒子數(shù)目選擇、粒子退化等問題，在文獻(xiàn)[2-3]中通過對(duì)粒子濾波算法改進(jìn)，有效地解決了粒子退化，提高了精度。文獻(xiàn)[4-5]中提出深度學(xué)習(xí)的濾波器算法，對(duì)非線性噪聲進(jìn)行建模，提高了算法的精度和魯棒性。對(duì)于基于圖優(yōu)化的SLAM算法，存在一些缺點(diǎn)有計(jì)算復(fù)雜性、實(shí)時(shí)性、局部最優(yōu)解等，在文獻(xiàn)[6-9]中主要舉例UKF-SLAM算法，通過改進(jìn)算法，有效地解決了計(jì)算復(fù)雜度高、粒子退化問題，并且對(duì)處理大規(guī)模環(huán)境時(shí)具有較好的效果 。文獻(xiàn)[10-11]舉例了Gmapping算法，通過對(duì)激光雷達(dá)數(shù)據(jù)中的特征點(diǎn)進(jìn)行提取和匹配，減少了計(jì)算量和存儲(chǔ)空間，提高了算法的效率和存儲(chǔ)空間。對(duì)于基于配準(zhǔn)的SLAM算法，缺點(diǎn)有對(duì)環(huán)境要求較高，在未知環(huán)境或者動(dòng)態(tài)環(huán)境可能存在一定的局限性等，文獻(xiàn)[12-17]主要針對(duì)算法對(duì)環(huán)境不穩(wěn)定和噪聲干擾等問題，提出了一系列方法，有效地降低噪聲和誤差的影響，使得地圖更加精確和魯棒。對(duì)于基于學(xué)習(xí)的SLAM算法，具有數(shù)據(jù)依賴性、過擬合以及解釋性差等缺點(diǎn)，文獻(xiàn)[18-21]主要采用了分類聚類算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行處理，減少點(diǎn)云數(shù)據(jù)的噪聲和不完整性，通過選取最有的聚類中心，提高了聚合器的效率和準(zhǔn)確性。文獻(xiàn)[22-26]中研究學(xué)者分別提出了不同的深度強(qiáng)化學(xué)習(xí)的SLAM算法，有效地提高了算法的性能和效率，解決了過擬合等問題。

2 激光SLAM算法綜述

總的來說，激光SLAM的算法可以分為傳統(tǒng)的基于濾波器和基于圖優(yōu)化的算法，以及近年來興起的基于點(diǎn)云配準(zhǔn)和基于學(xué)習(xí)的算法。如圖1所示分類圖。

圖1 激光SLAM算法分類圖

2.1 基于濾波器的算法

基于濾波器的SLAM算法主要利用不同類型的濾波器對(duì)機(jī)器人的軌跡和地圖進(jìn)行估計(jì)和優(yōu)化。基于濾波器的算法一般有卡爾曼濾波器SLAM算法和粒子濾波器SLAM算法。

2.1.1 卡爾曼濾波器

卡爾曼濾波器是一種經(jīng)典的線性高斯模型的狀態(tài)估計(jì)濾波器，由美國(guó)工程師R.E. Kalman于1960年提出[27]。該濾波器主要用于對(duì)系統(tǒng)狀態(tài)的估計(jì)和預(yù)測(cè)，其基本原理是通過對(duì)系統(tǒng)狀態(tài)和觀測(cè)數(shù)據(jù)進(jìn)行加權(quán)平均，獲得更準(zhǔn)確的狀態(tài)估計(jì)結(jié)果。在SLAM中的應(yīng)用主要是對(duì)機(jī)器人的位姿和地圖進(jìn)行估計(jì)和優(yōu)化?；诳柭鼮V波器的SLAM算法包括EKF-SLAM和UKF-SLAM等，它們的基本原理都遵循卡爾曼濾波器的原理機(jī)制，即狀態(tài)的估計(jì)和預(yù)測(cè)，從而獲得更準(zhǔn)確的位姿和地圖估計(jì)結(jié)果[28]。下面分別介紹。

基于擴(kuò)展卡爾曼濾波器的SLAM算法(EKF-SLAM)有兩個(gè)階段：預(yù)測(cè)和更新。其算法如表1所示。

表1 擴(kuò)展卡爾曼濾波器算法步驟

表1顯示了擴(kuò)展卡爾曼濾波器的預(yù)測(cè)和更新步驟。在預(yù)測(cè)步驟中，我們首先使用狀態(tài)空間來估計(jì)狀態(tài)Xt。然后，我們使用之前在時(shí)間t-1處的協(xié)方差矩陣P獲得時(shí)間t處的狀態(tài)協(xié)方差矩陣P。在初始時(shí)刻我們沒有協(xié)方差矩陣，需要自己初始化它。EKF-SLAM算法的主要優(yōu)點(diǎn)是能夠處理非線性和非高斯問題，具有較高的估計(jì)精度和實(shí)時(shí)性。缺點(diǎn)是非線性噪聲問題：EKF-SLAM算法假設(shè)傳感器噪聲為線性高斯噪聲，但實(shí)際上很多傳感器噪聲是非線性的，這會(huì)導(dǎo)致EKF-SLAM算法的精度下降；粒子退化問題：EKF-SLAM算法使用的是單個(gè)最優(yōu)的估計(jì)值，因此在處理大規(guī)模環(huán)境時(shí)，容易出現(xiàn)粒子退化問題，影響算法的效率和精度。

基于無跡卡爾曼濾波器的SLAM算法(UKF-SLAM)主要思想是通過無跡變換將非線性函數(shù)變換成一個(gè)高斯分布，從而實(shí)現(xiàn)對(duì)非線性問題的處理。具體來說，UKF-SLAM算法將機(jī)器人的軌跡和地圖表示為一個(gè)聯(lián)合高斯分布，通過無跡變換對(duì)非線性函數(shù)進(jìn)行線性化，從而實(shí)現(xiàn)對(duì)機(jī)器人軌跡和地圖的估計(jì)和優(yōu)化。具體來說，UKF-SLAM算法包括以下步驟。

1)狀態(tài)預(yù)測(cè)：

① 通過機(jī)器人的運(yùn)動(dòng)模型和控制輸入，計(jì)算機(jī)器人的預(yù)測(cè)狀態(tài)。

② 通過無跡變換，將預(yù)測(cè)狀態(tài)映射到高斯分布上。

③ 計(jì)算高斯分布的均值和協(xié)方差矩陣，作為機(jī)器人的預(yù)測(cè)狀態(tài)

2)狀態(tài)更新：

① 通過機(jī)器人的觀測(cè)數(shù)據(jù)，計(jì)算機(jī)器人當(dāng)前的觀測(cè)狀態(tài)。

② 通過無跡變換，將觀測(cè)狀態(tài)映射到高斯分布上。

③ 計(jì)算機(jī)器人位姿和地圖的聯(lián)合高斯分布的均值和協(xié)方差矩陣，作為機(jī)器人的最終狀態(tài)。

3)地圖優(yōu)化：

① 使用非線性優(yōu)化方法對(duì)地圖進(jìn)行優(yōu)化，以進(jìn)一步提高估計(jì)精度。

② 通過無跡變換，將優(yōu)化后的地圖狀態(tài)映射到高斯分布上。

③ 計(jì)算機(jī)器人位姿和地圖的聯(lián)合高斯分布的均值和協(xié)方差矩陣，作為機(jī)器人的最終狀態(tài)和地圖狀態(tài)。

UKF-SLAM算法是一種使用無跡卡爾曼濾波器(UKF)進(jìn)行SLAM的方法，相比于EKF-SLAM，UKF-SLAM具有更好的非線性建模能力和更少的線性化誤差。然而，UKF-SLAM仍然存在一些缺點(diǎn)，如計(jì)算復(fù)雜度高、粒子退化等[6]。

2.1.2 粒子濾波器

粒子濾波SLAM(PF-SLAM)是一種基于蒙特卡羅方法的非參數(shù)濾波器，最初由Dieter Fox等人提出，發(fā)表于2003年的ICRA會(huì)議上，用于同時(shí)估計(jì)機(jī)器人的軌跡和環(huán)境地圖[29]。其主要思想是使用一組狀態(tài)粒子來估計(jì)機(jī)器人的位姿和環(huán)境地圖，在PF-SLAM中，每個(gè)狀態(tài)粒子表示機(jī)器人的一個(gè)假設(shè)位姿和地圖，它們的權(quán)重表示該假設(shè)與真實(shí)狀態(tài)的匹配程度。在預(yù)測(cè)和重采樣過程中，每個(gè)粒子的權(quán)重被用來決定其在新粒子集合中的數(shù)量，從而使更有可能的粒子數(shù)量增加，不太可能的粒子數(shù)量減少。這樣，通過多次迭代，可以逐漸減小估計(jì)誤差，實(shí)現(xiàn)對(duì)機(jī)器人軌跡和環(huán)境地圖的估計(jì)。如圖2是粒子濾波算法流程圖。常見的基于粒子濾波的SLAM算法有FastSLAM算法、Gmapping算法等。

圖2 粒子濾波算法流程圖

其中FastSLAM算法使用了分解式濾波的思想，將地圖分解為一系列特征，每個(gè)特征由一個(gè)粒子來描述，同時(shí)對(duì)于每個(gè)特征，都估計(jì)了其對(duì)應(yīng)的位姿，從而實(shí)現(xiàn)對(duì)機(jī)器人軌跡和地圖的同時(shí)估計(jì)，大大降低了計(jì)算復(fù)雜度。

FastSLAM算法的基本流程如下：

1)初始化粒子集合和地圖：隨機(jī)生成一組粒子，每個(gè)粒子都表示機(jī)器人的位姿和地圖的狀態(tài)；

2)預(yù)測(cè)粒子狀態(tài)：根據(jù)運(yùn)動(dòng)模型對(duì)每個(gè)粒子進(jìn)行預(yù)測(cè)，得到機(jī)器人的位姿；

3)更新粒子權(quán)重：根據(jù)觀測(cè)數(shù)據(jù)，計(jì)算每個(gè)粒子的權(quán)重，表示該粒子對(duì)應(yīng)的狀態(tài)與觀測(cè)數(shù)據(jù)的匹配程度；

4)重采樣：根據(jù)粒子的權(quán)重對(duì)粒子進(jìn)行重采樣，使得權(quán)重大的粒子被選中的概率更高；

5)更新地圖：對(duì)每個(gè)粒子的地圖進(jìn)行更新，包括添加新的特征和更新已有特征的狀態(tài)。

FastSLAM算法的優(yōu)點(diǎn)是具有良好的魯棒性和實(shí)時(shí)性，適用于多種不同的機(jī)器人和環(huán)境。由于采用了分解式濾波的思想，將地圖分解為一系列特征，極大地降低了計(jì)算復(fù)雜度，同時(shí)還可以處理非線性運(yùn)動(dòng)模型和非線性觀測(cè)模型。FastSLAM算法的缺點(diǎn)是對(duì)于大規(guī)模地圖的處理效果不如基于圖優(yōu)化的SLAM算法，同時(shí)在處理復(fù)雜環(huán)境時(shí)容易出現(xiàn)粒子退化的問題，即大部分粒子的權(quán)重趨于零，導(dǎo)致估計(jì)精度下降。

Gmapping算法原理是使用柵格地圖來表示環(huán)境，并利用粒子濾波器來進(jìn)行位姿估計(jì)和地圖構(gòu)建。具體來說，Gmapping算法通過將環(huán)境劃分為一系列小的柵格單元，每個(gè)格柵單元一共有3種狀態(tài)：占有、空閑、未知。如圖3所示為格柵示意圖，在格柵中黑色表示占有，白色表示空閑，灰色表示未知。該算法通過激光雷達(dá)對(duì)周圍環(huán)境進(jìn)行掃描，對(duì)檢測(cè)范圍內(nèi)的網(wǎng)格根據(jù)占有概率將其判定為占有或空閑，通過機(jī)器人的移動(dòng)對(duì)未知網(wǎng)格進(jìn)行探索，并使用激光雷達(dá)數(shù)據(jù)進(jìn)行障礙物檢測(cè)和柵格地圖更新直到地圖建立完成。同時(shí)，算法使用粒子濾波器對(duì)機(jī)器人的位姿進(jìn)行估計(jì)，并根據(jù)估計(jì)的位姿和激光雷達(dá)數(shù)據(jù)來更新柵格地圖。最終，通過多次迭代，Gmapping算法可以得到高精度的柵格地圖和機(jī)器人的位姿估計(jì)。

圖3 格柵示意圖

Gmapping算法的優(yōu)點(diǎn)包括可以處理復(fù)雜的環(huán)境，如室內(nèi)環(huán)境、城市街道等?？梢詷?gòu)建高精度的柵格地圖，對(duì)機(jī)器人的定位能力提供了較好的支持。對(duì)激光雷達(dá)數(shù)據(jù)的噪聲和誤差具有較強(qiáng)的魯棒性。Gmapping算法的缺點(diǎn)包括需要進(jìn)行大量的計(jì)算，特別是在處理大規(guī)模環(huán)境時(shí)，計(jì)算復(fù)雜度會(huì)急劇增加。依賴于激光雷達(dá)，對(duì)于沒有激光雷達(dá)的機(jī)器人來說不適用。

2.2 基于圖優(yōu)化的算法

基于圖優(yōu)化的算法是一種常用于SLAM問題的方法，最早出現(xiàn)在20世紀(jì)80年代，主要用于解決機(jī)器人路徑規(guī)劃和SLAM等問題[30-31]。其主要思想是將機(jī)器人在環(huán)境中的運(yùn)動(dòng)軌跡和環(huán)境的拓?fù)浣Y(jié)構(gòu)建模成一個(gè)圖，然后通過優(yōu)化圖中的節(jié)點(diǎn)和邊來最小化誤差，得到機(jī)器人的位姿估計(jì)和環(huán)境的地圖。圖優(yōu)化SLAM算法主要包括前端和后端兩個(gè)過程，其算法框架如圖4所示。前端負(fù)責(zé)數(shù)據(jù)關(guān)聯(lián)和閉環(huán)檢測(cè)，數(shù)據(jù)關(guān)聯(lián)主要來處理局部數(shù)據(jù)關(guān)系，解決連續(xù)數(shù)據(jù)幀間的匹配以及相關(guān)姿態(tài)估計(jì)的問題。閉環(huán)檢測(cè)主要針對(duì)全局?jǐn)?shù)據(jù)關(guān)系，通過傳感器所獲得數(shù)據(jù)判斷機(jī)器人當(dāng)前位姿與之前已訪問區(qū)域位姿之間的匹配及相對(duì)位姿估計(jì)問題。通過上述兩個(gè)過程完成位姿圖的創(chuàng)建，即圖優(yōu)化SLAM的前端。由于傳感器與觀測(cè)噪聲和掃描匹配自身誤差的緣故會(huì)導(dǎo)致前端獲得的位姿圖有偏差，因此需要后端圖優(yōu)化部分對(duì)位姿圖進(jìn)行修正[32]。后端處理不直接對(duì)傳感器的觀測(cè)數(shù)據(jù)進(jìn)行處理，而是僅對(duì)前端創(chuàng)建的位姿圖進(jìn)行優(yōu)化，得到位姿的最大似然估計(jì)即最優(yōu)的位姿序列。常見的基于圖優(yōu)化的SLAM算法有最小二乘法SLAM，因子圖優(yōu)化算法，非線性優(yōu)化算法等。

圖4 基于圖優(yōu)化方法的SLAM算法框架

在基于圖優(yōu)化SLAM算法中，機(jī)器人的位姿序列以及位姿間的約束關(guān)系可以轉(zhuǎn)化成如圖5所示。

圖5 機(jī)器人位姿轉(zhuǎn)化為圖的表示方法

在圖5中x=(xi，xj，...)T表示機(jī)器人的位姿序列，它是一個(gè)向量，在圖中表示點(diǎn)集，其中xi和xj分別代表i節(jié)點(diǎn)和j節(jié)點(diǎn)的位姿；zij表示i節(jié)點(diǎn)和j節(jié)點(diǎn)的相對(duì)位姿，即不同時(shí)刻下的關(guān)聯(lián)信息；Ωij代表節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的信息矩陣；fij(x)為測(cè)量函數(shù)，表示在理想情況下的測(cè)量值；eij(x)代表向量誤差函數(shù)，即測(cè)量值與預(yù)測(cè)值的差。

假設(shè)誤差函數(shù)eij(x)服從高斯分布，則目標(biāo)函數(shù)可表示為如下形式：

Fij(x)∝(fij(x)-zij)Ωij(fij(x)-zij)

(2)

Fij(x)∝eij(x)TΩijeij(x)

(3)

由上面的表達(dá)式可知，只需找到節(jié)點(diǎn)x*使得目標(biāo)函數(shù)Fij(x)的值最小即可獲得最優(yōu)解，即

x*=argminF(x)

(4)

2.3 基于配準(zhǔn)的算法

基于配準(zhǔn)的SLAM算法基本思想是通過匹配兩幀或多幀激光雷達(dá)或相機(jī)捕捉到的點(diǎn)云數(shù)據(jù)，估計(jì)每個(gè)時(shí)刻機(jī)器人的位姿并構(gòu)建地圖[33]。該算法通常分為兩個(gè)步驟：前端配準(zhǔn)和后端優(yōu)化。前端配準(zhǔn)是指對(duì)連續(xù)的點(diǎn)云數(shù)據(jù)進(jìn)行匹配，以得到機(jī)器人的運(yùn)動(dòng)軌跡和局部地圖。后端優(yōu)化則是指對(duì)前端得到的軌跡和地圖進(jìn)行全局優(yōu)化，以進(jìn)一步提高位姿估計(jì)和地圖質(zhì)量。常見的基于配準(zhǔn)的激光SLAM方法分為基于特征的點(diǎn)云配準(zhǔn)算法、基于全局優(yōu)化的點(diǎn)云配準(zhǔn)算法和基于位姿圖優(yōu)化的點(diǎn)云配準(zhǔn)算法。其中主流的SLAM算法就是Hector算法。

Hector-SLAM 主要原理是通過激光雷達(dá)數(shù)據(jù)獲取環(huán)境地圖，并同時(shí)估計(jì)機(jī)器人在地圖中的位置和姿態(tài)，實(shí)現(xiàn)自主導(dǎo)航和環(huán)境建圖。Hector整體算法很直接，就是將激光點(diǎn)與已有的地圖“對(duì)齊”，即掃描匹配。掃描匹配就是使用當(dāng)前幀與已經(jīng)有的地圖數(shù)據(jù)構(gòu)建誤差函數(shù)，使用高斯牛頓法得到最優(yōu)解和偏差量。其工作是實(shí)現(xiàn)激光點(diǎn)到柵格地圖的轉(zhuǎn)換，t時(shí)刻所有的激光點(diǎn)都能變換到柵格地圖中，也就意味著匹配成功。如表2所示，Hector-SLAM主要包括以下幾個(gè)步驟：

表2 Hector算法步驟

通過以上步驟，Hector-SLAM能夠在實(shí)時(shí)性和精度之間取得良好的平衡。Hector 算法具有以下優(yōu)點(diǎn)：實(shí)時(shí)性較高，Hector SLAM算法利用線段作為路標(biāo)，提高了匹配效率，同時(shí)使用EKF進(jìn)行位姿估計(jì)，保證了實(shí)時(shí)性；精度較高，Hector SLAM算法在路標(biāo)提取、位姿估計(jì)、閉環(huán)檢測(cè)和地圖優(yōu)化等方面都有較好的設(shè)計(jì)，能夠提高地圖的精度和魯棒性。缺點(diǎn)有：對(duì)環(huán)境要求較高；魯棒性有待提高，算法對(duì)于激光雷達(dá)數(shù)據(jù)的噪聲和不確定性較為敏感，需要進(jìn)一步提高算法的魯棒性。

2.4 基于學(xué)習(xí)的算法

基于學(xué)習(xí)的SLAM算法是指利用機(jī)器學(xué)習(xí)的方法，通過對(duì)傳感器數(shù)據(jù)和地圖數(shù)據(jù)的學(xué)習(xí)，實(shí)現(xiàn)環(huán)境建圖和自主導(dǎo)航的技術(shù)。這種方法可以從數(shù)據(jù)中自動(dòng)提取特征，避免了手動(dòng)設(shè)計(jì)特征的困難和不確定性，同時(shí)具有較好的泛化能力和魯棒性[34]?；趯W(xué)習(xí)的SLAM算法主要解決了傳統(tǒng)SLAM算法中存在的以下問題：特征設(shè)計(jì)問題，傳統(tǒng)SLAM算法需要手動(dòng)設(shè)計(jì)特征，這存在一定的主觀性和不確定性，這增加了算法的難度和復(fù)雜度?；趯W(xué)習(xí)的SLAM算法可以從數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，避免了手動(dòng)設(shè)計(jì)特征的困難和不確定性；實(shí)時(shí)性問題，傳統(tǒng)SLAM算法需要大量的計(jì)算和存儲(chǔ)資源，對(duì)實(shí)時(shí)性的要求較高，基于學(xué)習(xí)的SLAM算法可以通過端到端的學(xué)習(xí)和高效的計(jì)算方法，提高算法的實(shí)時(shí)性和效率；建圖準(zhǔn)確性問題，傳統(tǒng)SLAM算法在環(huán)境建圖中容易出現(xiàn)漏洞和誤差，基于學(xué)習(xí)的SLAM算法可以通過數(shù)據(jù)的學(xué)習(xí)和模型的優(yōu)化，提高建圖的準(zhǔn)確性和精度[18]。目前，基于學(xué)習(xí)的SLAM算法主要包括以下幾種：深度學(xué)習(xí)SLAM以及強(qiáng)化學(xué)習(xí)SLAM。

2.4.1 基于深度學(xué)習(xí)的SLAM算法

基于深度學(xué)習(xí)的激光SLAM算法主要利用深度學(xué)習(xí)技術(shù)來解決SLAM算法中的以下幾個(gè)問題：特征提取，傳統(tǒng)的SLAM算法需要手動(dòng)設(shè)計(jì)特征點(diǎn)，但這些特征點(diǎn)的選擇和設(shè)計(jì)往往具有一定的主觀性和不確定性[35]。而基于深度學(xué)習(xí)的SLAM算法可以通過卷積神經(jīng)網(wǎng)絡(luò)等對(duì)激光數(shù)據(jù)進(jìn)行特征提取，自動(dòng)提取出圖像和激光數(shù)據(jù)中的特征點(diǎn)、線段、平面等特征[36]；點(diǎn)云配準(zhǔn)，傳統(tǒng)的SLAM算法中需要通過點(diǎn)云配準(zhǔn)來實(shí)現(xiàn)環(huán)境建圖和定位，但這通常需要進(jìn)行復(fù)雜的數(shù)學(xué)計(jì)算?；谏疃葘W(xué)習(xí)的SLAM算法可以通過學(xué)習(xí)大量數(shù)據(jù)，利用深度學(xué)習(xí)模型學(xué)習(xí)點(diǎn)云之間的相似性和差異性，從而實(shí)現(xiàn)點(diǎn)云的配準(zhǔn)和匹配；地圖優(yōu)化，基于深度學(xué)習(xí)的激光SLAM算法可以通過學(xué)習(xí)大量數(shù)據(jù)，利用深度學(xué)習(xí)模型學(xué)習(xí)地圖的結(jié)構(gòu)和特征，從而實(shí)現(xiàn)地圖的自適應(yīng)優(yōu)化，提高地圖的準(zhǔn)確性和魯棒性[37]。目前主流的幾個(gè)基于深度學(xué)習(xí)的激光SLAM算法有PointNetVLAD算法、PointNetGPD算法、DeepMapping算法以及LIO-SAM算法等。

2.4.2 基于強(qiáng)化學(xué)習(xí)的激光SLAM算法

基于強(qiáng)化學(xué)習(xí)的SLAM算法主要思想是將SLAM問題轉(zhuǎn)化為一個(gè)強(qiáng)化學(xué)習(xí)問題，并使用強(qiáng)化學(xué)習(xí)方法進(jìn)行求解。最早是在2016年提出的，由芬蘭赫爾辛基大學(xué)的研究者首次將強(qiáng)化學(xué)習(xí)應(yīng)用于SLAM問題中[38]。

該算法將SLAM問題看作一個(gè)強(qiáng)化學(xué)習(xí)問題，其中機(jī)器人作為一個(gè)智能體，通過與環(huán)境的交互來學(xué)習(xí)最優(yōu)的行為策略，從而實(shí)現(xiàn)同時(shí)定位和地圖構(gòu)建。具體來說，算法使用一個(gè)價(jià)值函數(shù)來評(píng)估機(jī)器人當(dāng)前狀態(tài)和行動(dòng)的價(jià)值，并通過一系列的行動(dòng)來最大化累計(jì)回報(bào)，最終實(shí)現(xiàn)優(yōu)化的定位和地圖構(gòu)建結(jié)果。如表3所示基于強(qiáng)化學(xué)習(xí)的激光SLAM算法步驟如表3。

表3 基于強(qiáng)化學(xué)習(xí)的激光SLAM算法步驟

3 激光SLAM算法分析與應(yīng)用

本文對(duì)目前主流的激光SLAM算法進(jìn)行了簡(jiǎn)單的歸納和綜述，并且對(duì)每一種SLAM算法列舉了其實(shí)現(xiàn)機(jī)制和原理，以及優(yōu)缺點(diǎn)和改進(jìn)等。這四類激光SLAM算法的聯(lián)系在于它們都是利用激光雷達(dá)數(shù)據(jù)來實(shí)現(xiàn)機(jī)器人的自我定位和地圖構(gòu)建，但是具體實(shí)現(xiàn)方式和特點(diǎn)有所不同。四類算法相對(duì)于其他算法的改進(jìn)主要表現(xiàn)在以下方面。

基于濾波器的激光SLAM算法：這類算法使用卡爾曼濾波器、擴(kuò)展卡爾曼濾波器等濾波器來實(shí)現(xiàn)激光SLAM，具有計(jì)算速度快、適用于小規(guī)模場(chǎng)景等優(yōu)點(diǎn)。但是，由于濾波器的線性化假設(shè)，這類算法對(duì)于非線性問題的處理效果不如基于優(yōu)化的算法。常見的應(yīng)用場(chǎng)景包括室內(nèi)環(huán)境、小型機(jī)器人等。

基于圖優(yōu)化的激光SLAM算法：這類算法使用非線性優(yōu)化方法，如圖優(yōu)化、束優(yōu)化等，來精確估計(jì)機(jī)器人的位姿和地圖，能夠處理非線性問題和大規(guī)模場(chǎng)景。但是，這類算法計(jì)算復(fù)雜度較高，處理速度較慢。常見的應(yīng)用場(chǎng)景包括無人車、大型機(jī)器人等。

基于配準(zhǔn)的激光SLAM算法：這類算法使用點(diǎn)云配準(zhǔn)方法來實(shí)現(xiàn)激光SLAM，能夠處理復(fù)雜地形和多層次地圖。但是，由于配準(zhǔn)算法對(duì)初始位姿較為敏感，因此需要先驗(yàn)信息或者較為準(zhǔn)確的初始位姿。常見的應(yīng)用場(chǎng)景包括室外環(huán)境、地下礦井等。

基于學(xué)習(xí)的激光SLAM算法：這類算法使用深度學(xué)習(xí)技術(shù)來實(shí)現(xiàn)激光SLAM，能夠自動(dòng)學(xué)習(xí)特征表示，具有較強(qiáng)的泛化能力。但是，由于深度學(xué)習(xí)技術(shù)的數(shù)據(jù)需求量較大，這類算法需要大量的訓(xùn)練數(shù)據(jù)。常見的應(yīng)用場(chǎng)景包括室內(nèi)環(huán)境、室外環(huán)境等。

不同的激光SLAM算法適用于不同的應(yīng)用場(chǎng)景，需要根據(jù)具體場(chǎng)景來綜合考慮選擇哪種算法。

4 激光SLAM算法發(fā)展趨勢(shì)

本文綜述了移動(dòng)機(jī)器人激光SLAM算法的原理、優(yōu)缺點(diǎn)、研究現(xiàn)狀和改進(jìn)。激光SLAM算法是機(jī)器人實(shí)現(xiàn)自主導(dǎo)航和環(huán)境感知的關(guān)鍵技術(shù)。隨著激光雷達(dá)技術(shù)和機(jī)器學(xué)習(xí)等技術(shù)的不斷發(fā)展，激光SLAM算法也在不斷更新和發(fā)展。以下是激光SLAM算法未來的發(fā)展趨勢(shì)和展望：

多傳感器融合：隨著各種傳感器技術(shù)的不斷發(fā)展和普及，多傳感器融合已經(jīng)成為激光SLAM算法發(fā)展的趨勢(shì)之一，并且已經(jīng)取得了不錯(cuò)的成績(jī)，例如文獻(xiàn)[39-40]，傳感器融合可以提高定位精度和魯棒性。

深度學(xué)習(xí)技術(shù)應(yīng)用：未來深度學(xué)習(xí)技術(shù)將被更廣泛地應(yīng)用于激光SLAM算法中，例如文獻(xiàn)[35-37]、文獻(xiàn)[41]，將深度學(xué)習(xí)用于點(diǎn)云配準(zhǔn)、建圖和定位等方面。此外，基于學(xué)習(xí)的激光SLAM算法已經(jīng)取得了不俗的成績(jī)，未來也將會(huì)有更多的基于學(xué)習(xí)的算法被提出。

實(shí)時(shí)性和效率：隨著機(jī)器人應(yīng)用場(chǎng)景的不斷擴(kuò)大，對(duì)激光SLAM算法的實(shí)時(shí)性和效率的要求也越來越高。因此，未來的激光SLAM算法將更加注重算法的實(shí)時(shí)性和效率，并且會(huì)結(jié)合分布式計(jì)算、GPU加速等技術(shù)來提高算法的實(shí)時(shí)性和效率。

大規(guī)模場(chǎng)景處理：傳統(tǒng)的激光SLAM算法在大規(guī)模場(chǎng)景中往往面臨著精度不高、計(jì)算量大等問題，因此未來的激光SLAM算法將更加注重大規(guī)模場(chǎng)景的處理，如分布式SLAM、增量式SLAM等算法。此外，一些基于圖優(yōu)化的方法、基于機(jī)器學(xué)習(xí)的方法也在被不斷地提出和改進(jìn)。

自主決策和交互：未來的激光SLAM算法不僅僅是用于機(jī)器人自我定位和地圖構(gòu)建，更會(huì)結(jié)合機(jī)器人的自主決策和交互能力，例如文獻(xiàn)[42]。如基于SLAM的路徑規(guī)劃、環(huán)境感知等。未來的激光SLAM算法將更加注重機(jī)器人與環(huán)境的交互和合作，如機(jī)器人對(duì)環(huán)境的理解和預(yù)測(cè)等。

總之，未來激光SLAM算法將更加注重多傳感器融合、深度學(xué)習(xí)技術(shù)應(yīng)用、實(shí)時(shí)性和效率、大規(guī)模場(chǎng)景處理以及自主決策和交互等方面，這些發(fā)展趨勢(shì)將推動(dòng)激光SLAM算法的不斷更新和發(fā)展[43-75]。

5 結(jié)束語(yǔ)

激光SLAM算法是移動(dòng)機(jī)器人的關(guān)鍵技術(shù)，目前的激光SLAM算法具有一定的局限性，仍需要大量工作進(jìn)行改進(jìn)，提高算法的性能和實(shí)用性等?？傊?，激光SLAM算法的未來發(fā)展充滿了機(jī)遇和挑戰(zhàn)，期待著激光SLAM算法在未來的發(fā)展中不斷地創(chuàng)新和突破，為機(jī)器人應(yīng)用帶來更加優(yōu)秀和可靠的解決方案。