電子發(fā)燒友App
SLAM也稱為CML, 即時定位與地圖構(gòu)建，或并發(fā)建圖與定位。本文從SLAM的概念出發(fā)，對SLAM技術(shù)所用到的傳感器做出詳細介紹，接著對實現(xiàn)SLAM算法所涉及的4個要素進行講解，最后介紹SLAM技術(shù)當(dāng)前應(yīng)用最廣泛的四個領(lǐng)域。
01 什么是SLAM？??
SLAM (simultaneous localization and mapping),也稱為CML (Concurrent Mapping and Localization), 即時定位與地圖構(gòu)建，或并發(fā)建圖與定位。
問題可以描述為：將一個機器人放入未知環(huán)境中的未知位置，是否有辦法讓機器人一邊逐步描繪出此環(huán)境完全的地圖，同時一邊決定機器人應(yīng)該往哪個方向行進。
例如掃地機器人就是一個很典型的SLAM問題，所謂完全的地圖（a consistent map）是指不受障礙行進到房間可進入的每個角落。
SLAM最早由Smith、Self和Cheeseman于1988年提出。
由于其重要的理論與應(yīng)用價值，被很多學(xué)者認為是實現(xiàn)真正全自主移動機器人的關(guān)鍵。
當(dāng)你來到一個陌生的環(huán)境時，為了迅速熟悉環(huán)境并完成自己的任務(wù)（比如找飯館，找旅館），你應(yīng)當(dāng)做以下事情：
a.用眼睛觀察周圍地標(biāo)如建筑、大樹、花壇等，并記住他們的特征（特征提?。?/p>
b.在自己的腦海中，根據(jù)雙目獲得的信息，把特征地標(biāo)在三維地圖中重建出來（三維重建）
c.當(dāng)自己在行走時，不斷獲取新的特征地標(biāo)，并且校正自己頭腦中的地圖模型（bundle adjustment or EKF）
d.根據(jù)自己前一段時間行走獲得的特征地標(biāo)，確定自己的位置（trajectory）
e.當(dāng)無意中走了很長一段路的時候，和腦海中的以往地標(biāo)進行匹配，看一看是否走回了原路（loop-closure detection）。實際這一步可有可無。
以上五步是同時進行的，因此是simultaneous localization and mapping。
02 兩類重要傳感器??
目前用在SLAM上的Sensor主要分兩大類，激光雷達和攝像頭。
這里面列舉了一些常見的雷達和各種深度攝像頭。激光雷達有單線多線之分，角分辨率及精度也各有千秋。
SICK、velodyne、Hokuyo以及國內(nèi)的北醒光學(xué)、Slamtech是比較有名的激光雷達廠商。他們可以作為SLAM的一種輸入形式。
這里展示的就是一種簡單的2D SLAM。
這個小視頻是賓大的教授kumar做的特別有名的一個demo，是在無人機上利用二維激光雷達做的SLAM。
而VSLAM則主要用攝像頭來實現(xiàn)，攝像頭品種繁多，主要分為單目、雙目、單目結(jié)構(gòu)光、雙目結(jié)構(gòu)光、ToF幾大類。
他們的核心都是獲取RGB和depth map(深度信息)。
單目和雙目（Zed、leapmotion）不再多做解釋，這里解釋一下結(jié)構(gòu)光和ToF。
03 結(jié)構(gòu)光和TOF??
結(jié)構(gòu)光
結(jié)構(gòu)光原理的深度攝像機通常具有激光投射器、光學(xué)衍射元件（DOE）、紅外攝像頭三大核心器件。
這個圖（下圖）摘自primesense的專利。
可以看到primesense的doe是由兩部分組成的，一個是擴散片，一個是衍射片。
先通過擴散成一個區(qū)域的隨機散斑，然后復(fù)制成九份，投射到了被攝物體上。根據(jù)紅外攝像頭捕捉到的紅外散斑，PS1080這個芯片就可以快速解算出各個點的深度信息。
這兒還有兩款結(jié)構(gòu)光原理的攝像頭。
第一幅圖它是由兩幅十分規(guī)律的散斑組成，最后同時被紅外相機獲得，精度相對較高。但據(jù)說DOE成本也比較高。
還有一種比較獨特的方案（最后一幅圖），它采用mems微鏡的方式，類似DLP投影儀，將激光器進行調(diào)頻，通過微鏡反射出去，并快速改變微鏡姿態(tài)，進行行列掃描，實現(xiàn)結(jié)構(gòu)光的投射。（產(chǎn)自ST，ST經(jīng)常做出一些比較炫的黑科技）。
TOF
ToF（time of flight）也是一種很有前景的深度獲取方法。
傳感器發(fā)出經(jīng)調(diào)制的近紅外光，遇物體后反射，傳感器通過計算光線發(fā)射和反射時間差或相位差，來換算被拍攝景物的距離，以產(chǎn)生深度信息。
類似于雷達，或者想象一下蝙蝠，softkinetic的DS325采用的就是ToF方案（TI設(shè)計的）。
但是它的接收器微觀結(jié)構(gòu)比較特殊，有2個或者更多快門，測ps級別的時間差，但它的單位像素尺寸通常在100um的尺寸，所以目前分辨率不高。
在有了深度圖之后呢，SLAM算法就開始工作了，由于Sensor和需求的不同，SLAM的呈現(xiàn)形式略有差異。
大致可以分為激光SLAM（也分2D和3D）和視覺SLAM（也分Sparse、semiDense、Dense）兩類，但其主要思路大同小異。
這個是Sparse（稀疏）的
這個偏Dense（密集）的
04 SLAM算法實現(xiàn)的4要素??
SLAM算法在實現(xiàn)的時候主要要考慮以下4個方面：
地圖表示問題，比如dense和sparse都是它的不同表達方式，這個需要根據(jù)實際場景需求去抉擇
信息感知問題，需要考慮如何全面的感知這個環(huán)境，RGBD攝像頭FOV通常比較小，但激光雷達比較大
數(shù)據(jù)關(guān)聯(lián)問題，不同的sensor的數(shù)據(jù)類型、時間戳、坐標(biāo)系表達方式各有不同，需要統(tǒng)一處理
定位與構(gòu)圖問題，就是指怎么實現(xiàn)位姿估計和建模，這里面涉及到很多數(shù)學(xué)問題，物理模型建立，狀態(tài)估計和優(yōu)化
其他的還有回環(huán)檢測問題，探索問題（exploration），以及綁架問題（kidnapping）。
640-3
這個是一個比較有名的SLAM算法，這個回環(huán)檢測就很漂亮。但這個調(diào)用了cuda，gpu對運算能力要求挺高，效果看起來比較炫。
以VSLAM舉個例子。
我大概講一種比較流行的VSLAM方法框架。整個SLAM大概可以分為前端和后端。
前端相當(dāng)于VO（視覺里程計），研究幀與幀之間變換關(guān)系。
首先提取每幀圖像特征點，利用相鄰幀圖像，進行特征點匹配，然后利用RANSAC去除大噪聲，然后進行匹配，得到一個pose信息（位置和姿態(tài)），同時可以利用IMU（Inertial measurement unit慣性測量單元）提供的姿態(tài)信息進行濾波融合后端則主要是對前端出結(jié)果進行優(yōu)化，利用濾波理論（EKF、UKF、PF）、或者優(yōu)化理論TORO、G2O進行樹或者圖的優(yōu)化。最終得到最優(yōu)的位姿估計。
后端這邊難點比較多，涉及到的數(shù)學(xué)知識也比較多，總的來說大家已經(jīng)慢慢拋棄傳統(tǒng)的濾波理論走向圖優(yōu)化去了。
因為基于濾波的理論，濾波器穩(wěn)度增長太快，這對于需要頻繁求逆的EKF（擴展卡爾曼濾波器），PF壓力很大。
而基于圖的SLAM，通常以keyframe（關(guān)鍵幀）為基礎(chǔ)，建立多個節(jié)點和節(jié)點之間的相對變換關(guān)系，比如仿射變換矩陣，并不斷地進行關(guān)鍵節(jié)點的維護，保證圖的容量，在保證精度的同時，降低了計算量。
列舉幾個目前比較有名的SLAM算法：PTAM,MonoSLAM, ORB-SLAM,RGBD-SLAM,RTAB-SLAM,LSD-SLAM。
所以大家如果想學(xué)習(xí)SLAM的話，各個高校提高的素材是很多的，比如賓大、MIT、ETH、香港科技大學(xué)、帝國理工等等都有比較好的代表作品，還有一個比較有前景的就是三維的機器視覺，普林斯頓大學(xué)的肖劍雄教授結(jié)合SLAM和Deep Learning做一些三維物體的分類和識別，實現(xiàn)一個對場景深度理解的機器人感知引擎。
http://robots.princeton.edu/talks/2016_MIT/RobotPerception.pdf
05 Multi-scale detection??
SLAM技術(shù)從最早的軍事用途（核潛艇海底定位就有了SLAM的雛形）到今天，已經(jīng)逐步走入人們的視野，掃地機器人的盛行更是讓它名聲大噪。
同時基于三維視覺的VSLAM越來越顯主流。在地面/空中機器人、VR/AR/MR、汽車/AGV自動駕駛等領(lǐng)域，都會得到深入的發(fā)展，同時也會出現(xiàn)越來越多的細分市場等待挖掘。
室內(nèi)機器人
掃地機要算機器人里最早用到SLAM技術(shù)這一批了。
國內(nèi)的科沃斯、塔米掃地機通過用SLAM算法結(jié)合激光雷達或者攝像頭的方法，讓掃地機可以高效繪制室內(nèi)地圖，智能分析和規(guī)劃掃地環(huán)境，從而成功讓自己步入了智能導(dǎo)航的陣列。
不過有意思的是，科沃斯引領(lǐng)時尚還沒多久，一大幫懂Slam算法的掃地機廠商就開始陸陸續(xù)續(xù)地推出自己的智能導(dǎo)航，直到昨天雷鋒網(wǎng)還看到一款智能掃地機新鮮出爐，而這追逐背后的核心，大家都知道就是SLAM技術(shù)的應(yīng)用。
而另一個跟SLAM息息相關(guān)的室內(nèi)移動機器人，因為目前市場定位和需求并不明確，我們目前只能在商場導(dǎo)購室內(nèi)機器人和Buddy那樣的demo視頻里才能看到，國內(nèi)Watchhhh Slam和Slam Tech兩家公司都是做這方面方案提供的，以現(xiàn)實的觀點看，現(xiàn)在室內(nèi)移動機器人市場定位和需求沒落地的時候，由方案商公司推動，商用室內(nèi)移動機器人先行，這反而是一種曲線救國的發(fā)展方式。
AR
目前基于SLAM技術(shù)開發(fā)的代表性產(chǎn)品有微軟的Hololens，谷歌的Project Tango以及同樣有名的Magic Leap，后者4月20號公布它的新一代水母版demo后，國內(nèi)的AR公司更加看到了這個趨勢。
比如進化動力近期就公布了他們的SLAM demo, 用一個小攝像頭實現(xiàn)VR頭顯空間定位，而易瞳去年10月雷鋒網(wǎng)去試用新品的時候，就發(fā)現(xiàn)已經(jīng)整合SLAM技術(shù)了，國內(nèi)其他公司雖然沒有正式公布，但我們可以肯定，他們都在暗暗研發(fā)這項技術(shù)，只等一個成熟的時機就會展現(xiàn)給大家。
進化動力CTO聶崇嶺向雷鋒網(wǎng)表示，如果用一個準(zhǔn)確的說法。很多VR應(yīng)用需要用到SLAM技術(shù)，定位只是一個feature，路徑記錄、3D重構(gòu)、地圖構(gòu)建都可以是SLAM技術(shù)的輸出。
無人機?
國外的話，原來做 Google X Project Wing 無人機的創(chuàng)始人 MIT 機器人大牛 Nicholas Roy 的學(xué)生 Adam Bry 創(chuàng)辦的 Skydio，挖來了 Georgia Tech 的 Slam 大牛教授 Frank Dellaert 做他們的首席科學(xué)家。
國內(nèi)大家非常熟悉的大疆精靈四避障用的雙目視覺+超聲波，一位大疆工程師徐梟涵在百度百家的撰文里坦率承認“P4里面呈現(xiàn)的主動避障功能就是一種非常非常典型的Slam的弱應(yīng)用，無人機只需要知道障礙物在哪，就可以進行 Planning，并且繞開障礙物。
當(dāng)然Slam能做的事情遠遠不止這些，包括災(zāi)區(qū)救援，包括探洞，包括人機配合甚至集群，所有的關(guān)于無人機的夢想都建立在Slam之上，這是無人機能飛（具有定位，姿態(tài)確定以后）的時代以后，無人機最核心的技術(shù)?！?/p>
而近期另一個號稱刷爆美國朋友圈的hover camera無人機，因為其創(chuàng)始人的的計算機視覺背景，正式把SLAM技術(shù)應(yīng)用進來了，在介紹他們無人機的主要產(chǎn)品技術(shù)時，提到了SLAM（即時定位與地圖構(gòu)建）：通過感知自身周圍環(huán)境來構(gòu)建3D增量式地圖，從而實現(xiàn)自主定位和導(dǎo)航。
因為Google無人駕駛車的科普，很多人都知道了基于激光雷達技術(shù)的Lidar Slam。
Lidar Slam是指利用激光雷達作為外部傳感器，獲取地圖數(shù)據(jù)，使機器人實現(xiàn)同步定位與地圖構(gòu)建。雖然成本高昂，但目前為止是最穩(wěn)定、最可靠、高性能的SLAM方式。
另外，2011 年，牛津大學(xué)Mobile Robotics Group 首次向公眾展示他們的第一輛無人駕駛汽車野貓（Wildcat），這是一輛由 Bowler Wildcat 4X4 改裝而成的車。汽車頭頂?shù)南鄼C和激光能夠搜集信息然后即時分析導(dǎo)航，已經(jīng)成功通過了測試。
2014 年，他們改裝的一輛 Nissan 的 Leaf 也成功路測。
Mobile Robotics Group主要研究領(lǐng)域是大規(guī)模的導(dǎo)航和對自然場景理解。
據(jù)稱，團隊所擁有的技術(shù)非常牛逼，其復(fù)雜和先進性遠遠超過一般的同步定位與地圖構(gòu)建（SLAM）算法。
可圈可點的是，對于無人駕駛技術(shù)，他們并沒有使用 GPS 或者是嵌入式的基礎(chǔ)設(shè)施（信標(biāo)之類的），而是使用算法來導(dǎo)航，包括機器學(xué)習(xí)和概率推理來建立周圍的地圖等。
編輯：黃飛
?
工商網(wǎng)監(jiān)
評論