SLAM導航技術(shù)的分類、典型應用及國內(nèi)發(fā)展現(xiàn)狀

SLAM是Simultaneous localization and mapping縮寫，意為“同步定位與建圖”，主要用于解決機器人在未知環(huán)境運動時的定位與地圖構(gòu)建問題。

SLAM的典型應用領(lǐng)域

機器人領(lǐng)域

主要應用于機器人定位導航領(lǐng)域：地圖建模。

SLAM可以輔助機器人執(zhí)行路徑規(guī)劃、自主探索、導航等任務。國內(nèi)的科沃斯、塔米以及最新面世的嵐豹掃地機器人都可以通過用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航的陣列。

VR/AR方面

輔助增強視覺效果。SLAM技術(shù)能夠構(gòu)建視覺效果更為真實的地圖，從而針對當前視角渲染虛擬物體的疊加效果，使之更真實沒有違和感。VR/AR代表性產(chǎn)品中微軟Hololens、谷歌ProjectTango以及MagicLeap都應用了SLAM作為視覺增強手段。

無人機領(lǐng)域

地圖建模。SLAM可以快速構(gòu)建局部3D地圖，并與地理信息系統(tǒng)（GIS）、視覺對象識別技術(shù)相結(jié)合，可以輔助無人機識別路障并自動避障規(guī)劃路徑，曾經(jīng)刷爆美國朋友圈的Hovercamera無人機，就應用到了SLAM技術(shù)。

無人駕駛領(lǐng)域

視覺里程計。SLAM技術(shù)可以提供視覺里程計功能，并與GPS等其他定位方式相融合，從而滿足無人駕駛精準定位的需求。例如，應用了基于激光雷達技術(shù)Google無人駕駛車以及牛津大學MobileRoboticsGroup11年改裝的無人駕駛汽車野貓(Wildcat)均已成功路測。

SLAM系統(tǒng)構(gòu)成

SLAM系統(tǒng)一般分為五個模塊，包括傳感器數(shù)據(jù)、視覺里程計、后端、建圖及回環(huán)檢測。

傳感器數(shù)據(jù)：主要用于采集實際環(huán)境中的各類型原始數(shù)據(jù)。包括激光掃描數(shù)據(jù)、視頻圖像數(shù)據(jù)、點云數(shù)據(jù)等。

視覺里程計：主要用于不同時刻間移動目標相對位置的估算。包括特征匹配、直接配準等算法的應用。

后端：主要用于優(yōu)化視覺里程計帶來的累計誤差。包括濾波器、圖優(yōu)化等算法應用。

建圖：用于三維地圖構(gòu)建。

回環(huán)檢測：主要用于空間累積誤差消除

其工作流程大致為：

傳感器讀取數(shù)據(jù)后，視覺里程計估計兩個時刻的相對運動（Ego-motion），后端處理視覺里程計估計結(jié)果的累積誤差，建圖則根據(jù)前端與后端得到的運動軌跡來建立地圖，回環(huán)檢測考慮了同一場景不同時刻的圖像，提供了空間上約束來消除累積誤差。

ALAM回環(huán)檢測

在視覺SLAM問題中，位姿的估計往往是一個遞推的過程，即由上一幀位姿解算當前幀位姿，因此其中的誤差便這樣一幀一幀的傳遞下去，也就是我們所說的累計誤差。

我們的位姿約束都是與上一幀建立的，第五幀的位姿誤差中便已經(jīng)積累了前面四個約束中的誤差。但如果我們發(fā)現(xiàn)第五幀位姿不一定要由第四幀推出來，還可以由第二幀推算出來，顯然這樣計算誤差會小很多，因為只存在兩個約束的誤差了。像這樣與之前的某一幀建立位姿約束關(guān)系就叫做回環(huán)。回環(huán)通過減少約束數(shù)，起到了減小累計誤差的作用。

那如何判斷兩幀圖片的相似度？最直觀的做法是特征匹配。由于特征匹配非常耗時，回環(huán)檢測需要與過去所有關(guān)鍵幀匹配，這個運算量是絕對無法承受的，因此提出了詞袋模型來加速特征匹配。

詞袋模型就是把特征看成是一個個單詞，通過比較兩張圖片中單詞的一致性，來判斷兩張圖片是否屬于同一場景。為了能夠把特征歸類為單詞，我們需要訓練一個字典。字典包含了所有可能的單詞的集合，為了提高通用性，需要使用海量的數(shù)據(jù)訓練。

SLAM分類

目前用在SLAM上的傳感器主要分為這兩類，一種是基于激光雷達的激光SLAM(Lidar SLAM)和基于視覺的VSLAM(Visual SLAM)。

1、激光SLAM

激光SLAM采用2D或3D激光雷達（也叫單線或多線激光雷達），2D激光雷達一般用于室內(nèi)機器人上（如掃地機器人），而3D激光雷達一般使用于無人駕駛領(lǐng)域。激光雷達的出現(xiàn)和普及使得測量更快更準，信息更豐富。激光雷達采集到的物體信息呈現(xiàn)出一系列分散的、具有準確角度和距離信息的點，被稱為點云。

通常，激光SLAM系統(tǒng)通過對不同時刻兩片點云的匹配與比對，計算激光雷達相對運動的距離和姿態(tài)的改變，也就完成了對機器人自身的定位。

激光雷達測距比較準確，誤差模型簡單，在強光直射以外的環(huán)境中運行穩(wěn)定，點云的處理也比較容易。同時，點云信息本身包含直接的幾何關(guān)系，使得機器人的路徑規(guī)劃和導航變得直觀。激光SLAM理論研究也相對成熟，落地產(chǎn)品更豐富。

2、視覺SLAM

視覺SLAM從環(huán)境中獲取海量的、富于冗余的紋理信息，擁有超強的場景辨識能力。

早期的視覺SLAM基于濾波理論，其非線性的誤差模型和巨大的計算量成為了它實用落地的障礙。近年來，隨著具有稀疏性的非線性優(yōu)化理論(Bundle Adjustment)以及相機技術(shù)、計算性能的進步，實時運行的視覺SLAM已經(jīng)不再是夢想。

視覺SLAM的優(yōu)點是它所利用的豐富紋理信息。例如兩塊尺寸相同內(nèi)容卻不同的廣告牌，基于點云的激光SLAM算法無法區(qū)別他們，而視覺則可以輕易分辨。

這帶來了重定位、場景分類上無可比擬的巨大優(yōu)勢。同時，視覺信息可以較為容易的被用來跟蹤和預測場景中的動態(tài)目標，如行人、車輛等，對于在復雜動態(tài)場景中的應用這是至關(guān)重要的。

通過對比發(fā)現(xiàn)，激光SLAM和視覺SLAM各擅勝場，單獨使用都有其局限性，而融合使用則可能具有巨大的取長補短的潛力。

例如，視覺在紋理豐富的動態(tài)環(huán)境中穩(wěn)定工作，并能為激光SLAM提供非常準確的點云匹配，而激光雷達提供的精確方向和距離信息在正確匹配的點云上會發(fā)揮更大的威力。而在光照嚴重不足或紋理缺失的環(huán)境中，激光SLAM的定位工作使得視覺可以借助不多的信息進行場景記錄。

國內(nèi)SLAM發(fā)展現(xiàn)狀

激光SLAM比視覺SLAM起步早，在理論、技術(shù)和產(chǎn)品落地上都相對成熟?；谝曈X的 SLAM 方案目前主要有兩種實現(xiàn)路徑，一種是基于 RGBD 的深度攝像機，比如 Kinect；還有一種就是基于單目、雙目或者魚眼攝像頭的。VSLAM 目前尚處于進一步研發(fā)和應用場景拓展、產(chǎn)品逐漸落地階段。

隨著SLAM技術(shù)重要性的凸顯以及應用市場的擴大 ，一些企業(yè)開始紛紛投入到SLAM技術(shù)研發(fā)中，這其中也可分為兩大類，一是專門提供導航定位模塊的企業(yè)，另一類則是移動機器人廠商，其開發(fā)SLAM多為自用。

隨著SLAM技術(shù)重要性的凸顯，國內(nèi)越來越多企業(yè)紛紛投入SLAM技術(shù)的研發(fā)中，除了一些移動機器人廠商作為自用研發(fā)，也不乏一些企業(yè)專門提供定位導航模塊。

思嵐科技就是其中一家，作為機器人定位導航技術(shù)的領(lǐng)先企業(yè)，思嵐科技主要以激光SLAM取勝。它是我國最早將激光SLAM應用于服務機器人的企業(yè)，為了幫助機器人實現(xiàn)自主行走，國內(nèi)思嵐科技推出了模塊化自主定位導航解決方案SLAMWARE，這套定位導航方案以激光雷達作為核心傳感器，搭配定位導航控制核心SLAMWARE Core，可使機器人實現(xiàn)自主定位導航、自動建圖、路徑規(guī)劃與自動避障等功能。

據(jù)了解，該開發(fā)套裝具有12米家用版及25米商用版之分，主要區(qū)別在于傳感器測距范圍的不同，思嵐科技商用版除了25米測距外，還推出了首款TOF激光雷達，測距半徑可達到40米，能滿足更多更大場景的應用，且抗光干擾能力更勝一籌。

在室外60Klx的強光下依舊能實現(xiàn)穩(wěn)定測距及高精度地圖建圖。無論是室內(nèi)還是室外場景，都能輕松完成任務。

除了思嵐科技，國內(nèi)速感科技、布科思、米克力美、高仙、斯坦德等企業(yè)也涌入其中，且大多企業(yè)以激光SLAM為主，畢竟激光SLAM是當下最穩(wěn)定、可靠的定位導航方案，而視覺SLAM將是未來主流研究方向，不過未來兩者融合也將成為一種趨勢，采用多傳感器融合能做到取長補短，為市場打造出更好用的定位導航解決方案，進一步實現(xiàn)機器人的智能化進程。

總體來說，目前國內(nèi)SLAM技術(shù)無論是在技術(shù)層面還是應用層面仍處于發(fā)展階段，未來，隨著消費刺激及產(chǎn)業(yè)鏈不斷發(fā)展，SLAM技術(shù)將會有一片更為廣闊的市場。

原文標題：一文看懂SLAM導航技術(shù)分類、典型應用及國內(nèi)發(fā)展現(xiàn)狀

文章出處：【微信公眾號：新機器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq