同步定位与建图技术研究进展_马志艳.pdf

引用格式:马志艳，邵长松，杨光友，等 同步定位与建图技术研究进展 J 电光与控制，2023,30(3):78-85,106 MA Z Y,SHAO C S,YANG G Y,etal Research progress of SLAM technology J Electronics Optics Control,2023,30(3):78-85,106同步定位与建图技术研究进展马志艳1，2，邵长松1，杨光友1，2，李辉1(1 湖北工业大学，武汉430000;2 湖北省农机装备智能化工程技术研究中心，武汉430000)摘要:同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑，成为当今的研究热点。介绍了 SLAM 技术的发展历程及主要传感器，梳理了基于视觉、激光雷达以及多传感器融合的 SLAM 技术，并对常见的 SLAM 算法进行归纳总结，对比分析各实现方案的优缺点。最后探讨了 SLAM 的技术难题和发展趋势。关键词:同步定位与建图;激光雷达;视觉相机;多传感器融合;自主移动机器人中图分类号:TP242文献标志码:Adoi:10 3969/j issn 1671 637X 2023 03 014Research Progress of SLAM TechnologyMA Zhiyan1,2,SHAO Changsong1,YANG Guangyou1,2,LI Hui1(1 Hubei University of Technology,Wuhan 430000,China;2 Hubei Province Agricultural MachineryEquipment Intelligent Engineering Technology Research Center,Wuhan 430000,China)Abstract:Simultaneous Localization and Mapping(SLAM)technology is the main technical support ofautonomous mobile robot and has become a research hotspot today The development history and mainsensors of SLAM technology are introduced,then the SLAM technology based on vision,lidar and multi-sensorfusion is sorted out,and the common SLAM algorithms are summarized The advantages and disadvantages ofeach implementation scheme are compared and analyzed Finally,the technical problems and developmenttrends of SLAM are discussedKey words:SLAM;lidar;vision camera;multi-sensor fusion;autonomous mobile robot1概述随着科学技术和人工智能的迅速发展，移动机器人已广泛应用于多个领域，例如在工业上的机械臂装置、AGV 军事上的无人侦察车、侦察飞行器，商业上的各种服务型机器人及消毒服务车、无人物流车等。这些机器人的正常工作都需要自主导航功能 1 2，与 SLAM(Simultaneous Localization and Mapping)技术密不可分，也正是因为这样，SLAM 技术成为当今研究热点。1986 年，ICRA 会议上首次提出 SLAM，其最先用于军事机器人领域3 4，先后经历古典时期、算法分析时期和鲁棒性时期5。现阶段各类 SLAM 技术均展现出独特的应用优势。激光 SLAM 精度高、发挥稳定、不受环境光影响;视觉 SLAM 具有超强的场景辨识能力、可以应对高动态环境;多传感器融合的 SLAM 吸收各收稿日期:2022-02-22修回日期:2022-03-08基金项目:国家重点研发计划子课题(2017YFD0700603，2018YFD0701002-03);湖北省技术创新重大项目(2017ABA164)作者简介:马志艳(1976)，男，湖北武汉人，博士，副教授。传感器的优点，其性能更优6 8。历经 30 多年发展，各领域已经出现了许多成熟的应用方案，SLAM 技术发展历程如图 1 所示。图 1SLAM 技术的发展历程Fig 1Development history of SLAM technologyVol 30No 3Mar 2023第 30 卷第 3 期2023 年 3 月电光与控制Electronics Optics Control马志艳等:同步定位与建图技术研究进展2SLAM 技术主要传感器2 1激光雷达激光雷达分为 2D 激光雷达和 3D 激光雷达。相比于 3D 激光雷达，2D 激光雷达能够识别平面的障碍物信息，扫描速度快、分辨率强、可靠性高，能够有效避免光照的干扰，其价格相对便宜，在角频率及灵敏度上反应更快捷，测试的距离和精度更加精准，但 2D 激光雷达不能测量物体高度，故常用于服务型机器人。3D激光雷达能够识别高度信息，并可以实时获取按比例还原的 3D 扫描图9，应用场景更为复杂，对性能的要求更高，但测量距离受天气影响较大10，且价格昂贵，一般应用于无人驾驶领域。2 2视觉相机相机分为单目相机、双目相机、深度相机。单目相机结构简单、成本较低，但由于结构问题限制，无法获取环境的深度信息11。双目相机12 解决了单目相机测量深度信息问题，但是受基线与分辨率限制测量深度有限，多用于室内小环境中。相比于单目相机，双目相机精度明显提高，但是计算复杂度高、负荷大9。深度相机能够直接测出深度信息和色彩，操作简单，采集信息速度快，但其成本较高，受视场角与分辨率的限制，适用于室内环境。SLAM 主要传感器优缺点分析如表 1 所示。表 1SLAM 主要传感器优缺点分析Table 1Analysis on advantages and disadvantages ofmain sensors of SLAM传感器 类型优点缺点激光雷达2D扫描速度快、分辨率强无法测量物体高度信息3D可以实时获取按比例还原环境信息价格昂贵，易受天气影响视觉相机单目结构简单，成本低无法获取深度信息双目可测深度信息，精度较高计算复杂，负荷大深度可测深度信息，速度快，数据丰富成本高，受视场角与分辨率的限制3SLAM 常见实现算法SLAM 实现包括传感器数据、前端匹配、后端优化、回环检测及建图等 5 个模块。大致工作流程如图 2 所示。传感器采集环境信息原始数据，进行预处理;前端估计相对位置和自身位姿;后端对累计误差进行优化;根据前端与后端得到的移动轨迹建立地图;回环检测考虑不同时刻的图像，提供空间累积误差消除。图 2SLAM 系统经典框架Fig 2The classic framework of SLAM systemSLAM 算法依据不同，分类也各不相同。依据算法不同，可分为基于滤波算法和基于优化算法;依据图像特征是否加入状态向量，可分为松耦合和紧耦合。本文依据所采用传感器的不同，分为激光 SLAM、视觉SLAM 和多传感器融合的 SLAM，如图 3 所示。图 3SLAM 的分类Fig 3Classification of SLAM3 1基于激光传感器的 SLAM 算法激光 SLAM 根据关键算法理论不同分为基于滤波的激光 SLAM 和基于图优化的激光 SLAM。滤波器算法的核心思想是概率问题，有 KF/EKF 和PF 两类，KF/EKF 原理简单，小场景下收敛性好，存在线性化及更新效率等问题，不能满足大规模的环境13;PF支持非线性、非高斯系统，但存在粒子退化现象。图优化算法的核心思想是实时构建位姿，提出图优化框架，分为前端和后端，前端负责扫描匹配、特征提取和数据关联，后端负责位姿图优化，增加了回环检测，修正累计误差。可适用于室外和室内的大尺度环境中，鲁棒性较好，但计算量偏大。3 1 1基于滤波器的算法1988 年由 SMITH，SELF 等提出一种空间状态不确97第 3 期定性估计 SLAM 问题14，主要是基于概率估计的研究，此后，学者们先后提出多种 SLAM 算法。卡尔曼滤波(Kalman Filter，KF)算法只适用于线性系统 15。1987 年，SELF 等提出了扩展卡尔曼滤波(EKF)SLAM 方案16，很好地解决了 KF 存在的不足17;JULIER 等针对 EKF计算量复杂、精度低等问题，提出一种改进的无迹卡尔曼滤波(UKF)，适用于线性假设下的标准卡尔曼滤波体系18。粒子滤波(Particle Filter，PF)思想最早在 20 世纪中叶提出19。相比于卡尔曼滤波算法，粒子滤波的思想基于蒙特卡罗方法，它摆脱了高斯分布的制约，也对变量参数的非线性特性有更强的建模能力。1993 年，GORDON 等提出了非线性滤波算法，是基于惯序重要性采样的粒子滤波器20，应用于机器人视觉跟踪、导航和数据处理等多个领域，正式拉开了粒子滤波算法的序幕。但在高维状态空间中采样时，粒子滤波的效率很低。RBPF(Rao-Blackwellized Partical Filter)算法21 的提出，巧妙地将 Rao-Blackwellized 算法与 PF 算法相结合，将状态空间通过降维的方法减少计算量，提高效率。2002 年，MONTEMERLO 等提出了 FastSLAM1 0 算法22 和 FastSLAM20 算法23。将 EKF 算法和 PF 算法相融合，把 SLAM 问题分解成机器人定位问题和环境特征位置估计问题，用 PF 算法做路径的位置估计，用 EKF 估计环境特征的位置。融合了 EKF 和 PF 算法的优点，既降低了计算的复杂度，提高了效率，又具有较好的鲁棒性。FastSLAM 算法存在两个问题:1)在大尺度环境中，内存消耗严重;2)粒子耗散问题影响了地图的构建24。GRISETTI 等在2005 年对 FastSLAM 算法进行了优化，于2007 年开源了 Gmapping 算法25，该算法依赖于里程计信息，多用于小尺度环境中。于是 2010 年 BLANCO 等提出了更加优化的 optimal-RBPF 方案26。312基于图优化的算法基于图优化的 SLAM 方案最早由 LU 等在 1997 年提出 27，由于没有考虑到系统的稀疏性，并没有得到广泛应用。2010 年，首个基于图优化框架的开源方案由文献 28 提出 Karto-SLAM，才再一次激起学者的探究。认识到系统的稀疏性问题，改善了之前的不足。2011 年，KOHLBRECHER 等提出的 Hector-SLAM 方案29，不需要里程计，对激光雷达数据测量频率要求较高;2016 年10 月，Google 公司对 Karto SLAM 进行了优化，开源了Cartographer 方案30，前端负责特征提取和数据关联，后端负责位姿图优化，累计误差较低，建图效果好。在3D 激光SLAM 研究中，最早是在2014 年由 ZHANG等提出的 LOAM(Lidar Odometry and Mapping)方案31，将运动估计问题分成执行高频率、但低精度的运动估计和运行频率较低、返回高精确的运动估计，最终将两个数据融合，实时性高，不足点在于缺少回环检测;2018年，DESCHAUD 提出仅基于三维激光雷达数据的低漂移SLAM 算法 IMLS-SLAM(Implicit Moving LeastSquares-SLAM)方案32，该方案不依赖相机、GPS 和IMU 等传感器，而依赖于扫描到模型匹配框架;同年 6月，BEHLEY 等提出 SUMA 方法33，该方法对旋转激光传感器获得的三维点云进行操作;同年 10 月，SHAN等提出 LeGO-LOAM(Lightweight and Ground-OptimizedLidar Odometry and Mapping)方案34，优化了 LOAM 方案，提出计算轻量化和增加闭环检测，降低了计算的复杂度，但是在精度上略有欠缺;2019 年，KOIDE 融合了GPS，IMU 和 Lidar 路面约束信息，提出 HDL_Graph_SLAM(Hardware Description Language Graph SLAM)35，降低了计算复杂度，更好地构建全局一致性地图;2020 年，SHAN等优化 LeGO-SLAM 方案，提出 LIO-SAM(Lidar InertialOdometry via Smoothing and Mapping)方案 36，实现紧密耦合激光雷达惯性测距，鲁棒性更好;2020 年 7 月，李博等将位姿估计和地图更新方法融合在一起，提出 GP-SLAM(Gaussian Process-SLAM)方案 37 38，在 2D 与3D 激光中具有通用性，在计算效率、建图精度和地图存储方面相比于 LOAM 方案均有明显优势;2021 年，ZHOU 等提出了一种新颖的、计算效率高、鲁棒性强的光探测和激光测距里程计框架，称为 T-LOAM39，其实现实时能力侧重于减轻异常值的影响，允许在稀疏、嘈杂或发生退化的杂乱场景中建图与导航。常见的激光 SLAM 方案如表2 所示。表 2常见的激光 SLAM 方案Table 2Common laser SLAM solutions年份方案原理优缺点其他1987EKF-SLAM滤波器计算复杂，实时性较差，鲁棒性低适用于室内、小范围场景2000RBPF滤波器解决了环境非高斯，降低了计算复杂度，提高了效率Rao-Blackwellized 与 PF 结合2002FastSLAM滤波器降低了计算的复杂度，鲁棒性较好;内存消耗和粒子耗散问题严重融合 EKF 和 PF 优点2007Gmapping滤波器优化了粒子耗散问题;依赖里程计信息适用于小尺度环境和低特征环境2010Karto-SLAM图优化认识到稀疏性问题首个基于图优化框架的开源方案2011Hector-SLAM图优化不需要里程计，对激光测量频率要求较高，依赖初值，缺少闭环检测可用于崎岖路面或空中无人机2014LOAM图优化实时性高;缺少回环检测最早 3D 激光 SLAM08第 30 卷电光与控制马志艳等:同步定位与建图技术研究进展续表年份方案原理优缺点其他2016Cartographer图优化累计误差较小，建图效果好，提速闭环检测，容易引起错误的闭环分为前端和后端;室内 2D 较为优越，室外 3D 建图效果不佳2018IMLS-SLAM图优化仅基于激光雷达，不依赖相机、GPS，IMU核心思想是选择具有代表性的激光点进行匹配2018LeGO-LOAM图优化计算轻量化，增加了闭环检测，降低了计算的复杂度，精度略有欠缺一种轻量级和地面优化的激光雷达里程计和建图方法2019HDL_Graph_SLAM图优化降低计算复杂度，更好地构建全局一致性地图融合 GPS，IMU，Lidar 约束信息2020LIO-SAM图优化实现紧密耦合激光雷达惯性测距，鲁棒性更好融合激光里程计、IMU、GPS 和回环2020GP-SLAM图优化存储消耗小，易于更新，效率、精度表现较好;GP 地图边界的不连续性影响建图的效果位姿估计方法与地图更新方法相结合;适用于大尺度环境2021T-LOAM图优化计算效率高、鲁棒性强，减轻异常值设计了一种新的特征提取模块3 2基于视觉传感器的 SLAM 算法视觉 SLAM 是通过连续的相机帧，跟踪设置关键点，确定其位置，同时逼近推测相机自己的姿态。可分为特征点法、直接法和基于 RGB-D 相机。特征点法运行稳定，对光照和动态物体不敏感，但鲁棒性与计算复杂度成正比，受特征点的稀疏程度影响;直接法基于灰度不变假设，直接对像素点进行操作，但消耗计算资源，需要高性能 GPU 支持，对光照较为敏感;RGB-D 相机可直接获取深度信息，但成本高、体积大，有效探测距离太短。3 2 1特征点法特征点法是对传感器扫描的图像信息进行特征点检测和提取。2003 年，DAVISON 等提出第一个纯视觉Mono-SLAM 方案 40，可以实现实时操作，但是随着地图的增大，计算的复杂程度越来越高;2007 年，KLEIN 等提出PTAM(Parallel Tracking and Mapping)算法41，是第一个提出的多线程 SLAM 处理算法，前端跟踪、后端优化的算法框架奠定了视觉 SLAM 的结构基础;2015 年，MUR-ARTAL 等提出了 ORB-SLAM 方案42，优化了 PTAM 算法，形成前端跟踪、局部地图创建、后端回环检测优化3 个线程并行的框架，该方案是基于特征点的最完整的单目视觉 SLAM 系统，定位精度高，并且可以实时运行;2017 年，ORB-SLAM 方案的提出人优化了自己的方案，提出 ORB-SLAM2 方案43，扩展了双目相机和深度相机，使其算法精度更高、使用的范围更广、更好地保证了实时性;2021 年，CAMPOS 等提出 ORB-SLAM344 方案，这是第一个能够使用单目、立体和 RGB-D 相机，使用针孔和鱼眼镜头模型执行视觉、视觉惯性和多图SLAM 的系统。该方案有两个新颖之处:一个是紧密集成的视觉惯性 SLAM 系统，它完全依赖于最大后验估计;另一个是多地图系统，它依赖于具有改进召回率的新地点识别方法。3 2 2直接法直接法是直接对像素点进行操作来计算相机的运动，在特征点较少的环境中精确度和鲁棒性具有很好的表现。2011 年，NEWCOMBE 等提出 DTAM(DenseTracking and Mapping)方案 45，不依赖于特征提取，而是依赖于每个像素的密集方法，可以在图片模糊、特征不明显的环境中直接跟踪，在整个过程中高度并行，十分消耗计算资源，所以对 GPU 硬件要求较高46;ENGEL等在2014 年提出了一种直接单目 SLAM 算法 LSD-SLAM(Large-Scale Direct monocular SLAM)47，允许构建大规模、一致的环境地图，还可以实时重建关键帧的姿态图以及构建半稠密的三维环境地图;同年 6 月，FORSTER等提出 SVO(Fast semi-direct monocular visual odome-ter)48，它是一种半直接单目视觉里程计算法，该算法更精确、速度更快、鲁棒性更好，半直接方法消除了运动估计中的特征提取和鲁棒匹配技术的需要，直接对像素强度进行操作，从而在高帧速率下获得亚像素精度;2016 年，ENGEL 等提出 DSO(Direct Sparse Odometer)，它是一种基于新颖、高精度的稀疏直接结构和运动公式的视觉里程计方法，提出的方案框架集成了完整的光度校准，考虑了镜头的曝光时间、渐晕效应和非线性响应函数49 50。3 2 3基于 RGB-D 相机RGB-D 相机可捕获 RGB 图像以及每像素深度信息。基于 RGB-D 相机的视觉 SLAM，通过 ICP 算法估计相机运动，然后组合多个深度图来构建三维地图环境51。2011 年，NEWCOMBE 等提出第一个基于 Ki-nect 在 GPU 上实时构建稠密三维地图的算法 Ki-nectFusion52，该算法仅使用 Kinect 相机获取的深度信息去计算传感器的位姿以及构建精确的环境三维地图模型。RGB-D 相机方便获得深度信息，且能够获得稠密的地图，但是成本高，有效探测距离太短，只有1 4 m50 18第 3 期的深度，一般只针对室内环境。常见的视觉 SLAM 方案如表 3 所示。表 3常见视觉 SLAM 方案Table 3Common visual SLAM solutions年份方案方法优缺点其他2003MonoSLAM特征提取可达到实时;地图尺度与计算的复杂度成正比第一个纯视觉 SLAM 方案，基于滤波的单目SALM2007PTAM特征提取提高了鲁棒性和准确性;需要强大的计算硬件第一个提出的多线程 SLAM 处理算法2011DTAM直接法可在图片模糊、特征不明显的环境中直接跟踪;对 GPU 硬件要求较高依赖于密集的每像素方法2011KinectFusionRGB-D 相机解决光照敏感问题;成本高，有效探测距离短第一个基于 Kinect 实时构建稠密三维地图的算法2014LSD-SLAM直接法允许构建大规模、一致的环境地图一种直接单目 SLAM 算法2014SVO直接法更精确、速度更快、鲁棒性更好一种半直接单目视觉里程计算法;适用于无人机系统2015ORB-SLAM特征提取定位精度高、鲁棒性好，可以实时运行基于特征点的最完整单目视觉 SLAM 系统2016DSO直接法考虑了镜头的曝光时间、渐晕效应和非线性响应函数一种基于新颖、高精度的稀疏直接结构和运动公式的视觉里程计方法2017ORB-SLAM2特征提取精度更高，使用范围更广，保证实时性扩展了双目相机和深度相机2021ORB-SLAM3特征提取实现实时鲁棒操作，比以前的方法精确两到十倍第一个能够使用单目、立体和 RGB-D 相机，使用针孔和鱼眼镜头模型执行视觉、视觉惯性和多图 SLAM 的系统3 3多传感器融合的 SLAM 算法SLAM 技术主要用到激光雷达、视觉相机以及其他辅助定位工具，如里程计、IMU，GPS 和辅助基站定位系统等。3 3 1视觉与 IMU 融合的 SLAM 算法视觉与 IMU 融合的 SLAM 算法，称为 VIO(VisualInertial Odometer)。相对于 VO 算法，VIO 利用 IMU 估计纯旋转运动;提供尺度信息，解决 VO 的无法恢复尺度的问题;积分进行运动估计，应对短时间的视觉特征缺失，比 VO 具有更高的鲁棒性和精度，主要用在 AR、无人机、高精地图等领域53，分为松耦合和紧耦合两类，松耦合的工作不多，而且效果没有紧耦合好，这里主要介绍紧耦合。2007 年提出的 MSCKF(Multi-State Constraint Kal-man Filter)54 是一种基于 EKF 的 VIO 算法，能够在大规模、剧烈运动、一定时间纹理缺失的环境中运行，速度快、精度略低、对计算机硬件要求低。OKVIS 方案55 由LEUTENEGGER 等提出，通过关键帧与非线性优化来估计位姿，建图效果较好，但没有闭环检测，不支持重定位，误差随时间累积。2017 年出现的 ROVIO 方案56，使用图像块作为地标描述符，得出光度误差，将其直接集成到过滤器;不需要额外的特征提取或匹配过程，计算量小，在低纹理、运动模糊的场景中表现出较好鲁棒性;但没有闭环，对应不同的设备需要调整参数。2018 年开源的 VINS-Mono 方案 57，用一种紧密耦合的非线性优化方法，通过融合预集成 IMU 测量值和特征观测值，获得高精度的视觉惯性里程计，能够以最少的计算量进行重新定位，适用于高精度定位的场合。332视觉与激光融合的 SLAM 算法早期主要是利用激光雷达与一些辅助定位工具进行融合来构建地图。在视觉 SLAM 被提出以后，科研人员在视觉与激光雷达的融合方面进行了探索，并取得了不俗的成就。在视觉与 3D 激光融合的 SLAM 领域上，最早在2015 年由 ZHANG 等提出的 V-LOAM 方案 58，改进了 LOAM 方案，增加了单目视觉、惯性元件。V-LOAM方案利用视觉里程计高频下估计帧间运动，激光雷达里程计低频下改进运动估计并校正漂移。在高速运动和光照变化影响中，鲁棒性较好，相对位置漂移较小。2016年，LU 提出 VELO 方案59，将稀疏视觉里程计和激光雷达扫描匹配紧密耦合，有闭环检测模块，能够降低漂移误差，该算法在激光雷达或视觉相机任意一个传感器数据被遮挡时仍能够正常工作。2018 年，ZHANG 等提出 LVIO 方案60，利用来自 3D 激光扫描仪、摄像头和 IMU 的数据在线估计自我运动并构建当前环境的地图;该方案采用了一个顺序的多层运行模块以产生实时自我运动估计，从粗到细处理数据信息;可以运行在高度动态以及在黑暗、无纹理、无结构的环境中;此外，可以绕过故障模块的自动重新配置来处理传感器退化。同年 6 月，GRAETER 等开源了 LIMO 方案61，提出了一种从激光雷达测量中提取相机特征轨迹的深度算法，并通过基于关键帧的约束调整来估计运动;与V-LOAM 思路不同，递进式策略更开放，但是在精度上稍逊一筹。常见的多传感器融合的 SLAM 方案如表 4 所示。28第 30 卷电光与控制马志艳等:同步定位与建图技术研究进展表 4多传感器融合 SLAM 方案Table 4Multi-sensor fusion SLAM scheme年份方案传感器优缺点其他2007MSCKF视觉+IMU可运行复杂的环境中，速度快;精度略低紧耦合的滤波方法;提出 VIO 算法2014OKVIS视觉+IMU建图效果较好;缺少闭环紧耦合的优化方法2015V-LOAM视觉+激光+IMU鲁棒性较好，漂移较小最早视觉与 3D 激光融合的方案2016VELO视觉+激光有闭环模块，低漂移误差利用位姿图的稀疏性优化位姿误差2017ROVIO视觉+IMU计算量小;缺少闭环，需要调参数紧耦合的滤波方法2018VINS-Mono视觉+IMU重定位计算量小，适用于高精度定位紧密耦合的非线性优化方法2018LVIO视觉+激光+IMU可运行高度动态、黑暗、无纹理、无结构的环境中一个顺序的多层运行模块2018LIMO视觉+激光递进式策略更加开放;精度略低于 V-LOAM 方案一种从激光雷达测量中提取相机特征轨迹的深度算法4SLAM 发展趋势4 1多传感器融合的 SLAM 技术SLAM 技术中，单一的传感器感知环境信息是有限的。激光雷达可工作在无光照、无纹理环境中，提供深度信息，但易受到环境特征的影响;视觉相机有超强的场景辨识能力，可以应对高动态环境，提供丰富的地图和里程计信息，但易受到光照和纹理环境影响;惯性导航可以提供角速度和线速度;其他如 GPS 等，将各传感器之间优势互补，增加环境感知力，形成多传感器融合的 SLAM 是必然趋势。但是在多数据信息的融合、数据实时处理与计算的复杂度中仍然面临诸多问题，未来如何解决还需要进一步探究。4 2基于深度学习的 SLAM 技术在 SLAM 中，利用深度学习改善回环检测功能、添加语义信息、提高帧间估计识别度和解析算法效率。结合深度学习的回环检测，在精度和鲁棒性以及智能化程度上都有显著提高;语义信息的加入，实现对物体标签化，丰富了地图信息;深度学习在图像处理的帧间估计中，省略特征提取的环节，提高了识别和解析算法效率。深度学习给 SLAM 带来一定的便捷，但一些技术还不是很成熟，涉及大量的数学问题，相关的成熟数据集较少，需要在今后进行大量的数据训练和人工标定;语义信息的加入对 SLAM 精度方面有哪些影响，有待进一步考证。4 3SLAM 算法优化鲁棒性和精度是衡量一个 SLAM 算法是否优秀的重要指标。目前主流的 SLAM 都相对成熟，但在实际应用中，运动畸变的去除、里程计的标定、实时性数据处理，以及在高动态环境定位、退化等方面仍有许多问题需要考虑和完善。4 4新型传感器在 SLAM 技术中的应用新型传感器的出现能够促进 SLAM 技术产生新的活力。前两年出现的事件相机，相邻的事件之间响应时间可以小于 1 s，而且有着很高的动态辨识度，这是其他相机无法比拟的。因此，新型传感器对 SLAM 发展格局有着巨大影响。4 5多机器人协同 SLAM 技术单机器人 SLAM 在大尺度环境中，大量的计算会产生误差累积，建图的精度降低，甚至机器人出现故障都会直接影响建图任务。多机器人协同 SLAM 有着精度高、效率高、容错率高的优势，在理论研究中较为丰富，但是在实际开发应用中还不是很成熟，未来还需要不断探索。5结束语激光 SLAM 历经 30 多年的发展，技术已相对成熟，视觉 SLAM 虽然仅有十几年的发展，但在姿态估计、地图构建、精度和实时性方面也取得了不俗的成绩，接下来，如何提高传感器动态性和泛化能力仍是具有挑战性的工作。深度学习、多传感器融合、多机器人协同的SLAM，在环境动态性和光照影响中，灵活性和鲁棒性较好，精度较高，应该会成为未来主要探究方向。参 考 文 献 1 胡春旭 ROS 机器人开发实践 M 北京:机械工业出版社，2018:497-506 2 高翔，张涛，刘毅，等 视觉 SLAM 十四讲 M 北京:电子工业出版社，2017:10-23 3DURRANT-WHYTE H,BAILEY T Simultaneous locali-zation and mapping:part I J IEEE Robotics Automa-tion Magazine,2006,13(2):99-110 4BAILEY T,DURRANT-WHYTE H Simultaneous locali-zation and mapping(SLAM):part J IEEE Robotics Automation Magazine,2006,13(3):108-117 5CADENA C,CARLONE L,CARRILLO H,et al Past,pres-ent,and future of simultaneous localization and mapping:toward the robust-perception age J IEEE Transactions onRobotics,2016,32(6):1309-1332 6 陈常，朱华，由韶泽 基于视觉的同时定位与地图构建的研究进展J 计算机应用研究，2018,35(3):641-38第 3 期647 7 田野，陈宏巍，王法胜，等 室内移动机器人的 SLAM 算法综述 J 计算机科学，2021,48(9):223-234 8 刘鑫，王忠，秦明星 多机器人协同 SLAM 技术研究进展 J 计算机工程 2022,48(5):1-10 9 吴建清，宋修广 同步定位与建图技术发展综述J 山东大学学报(工学版)，2021,51(5):16-31 10WU J Q,HAO X,ZHENG J Y Automatic backgroundfiltering and lane identification with roadside LiDAR da-ta C/IEEE 20th International Conference on Intelli-gent Transportation Systems(ITSC)Yokohama:IEEE,2017:1-6 11祝朝政，何明，杨晟，等 单目视觉里程计研究综述 J 计算机工程与应用，2018,54(7):20-28,55 12谭静，赵健康，崔超 基于双目视觉与 IMU 的组合导航算法J 计算机工程与设计，2021,42(2):442-448 13HUANG S D,DISSANAYAKE G Convergence analysisfor extended Kalman filter based SLAMC/Proceed-ings of IEEE International Conference on Robotics andAutomation,2006 ICRA 2006 Orlando:IEEE,2006:412-417 14SMITH R,SELF M,CHEESEMAN P Estimating uncer-tain spatial relationships in roboticsM/INGEMAR JC,GORDON T W Autonomous robot vehicles New York:Springer,1990:167-193 15 施明瑞 基于激光 SLAM 的移动机器人动态路径规划研究 D 重庆:重庆邮电大学，2020 16SMITH R，SELF M,CHEESEMAN P C A stochasticmap for uncertain spatial relationshipsC/Proceed-ings of the 4th International Symposium on Robotics Re-search Cambridge:MIT Press,1988:467-474 17SMITH R,CHEESEMAN P On the representation andestimation of spatial uncertaintyJ The InternationalJournal of Robotics Research,1986,5(4):56-68 18JULIER S J,UHLMANNJ K,DURRANT-WHYTE H FA new method for the nonlinear transformation of meansand covariances in filters and estimatorsJ IEEETransations on Automatic Control,2000,45(3):477-482 19 赵新洋 基于激光雷达的同时定位与室内地图构建算法研究 D 哈尔滨:哈尔滨工业大学，2017 20GORDON N J,SALMOND D J,SMITH A F M Novelapproach to nonlinear/non-Gaussian Bayesian state esti-mationJ IEE Proceedings on Radar and Signal Pro-cessing,1993,140(2):107-113 21DOUCET A,FREITAS D N,MURPHY K,et al Rao-Blackwellised particle filtering for dynamic Bayesian net-works C/Proceedings of the Sixteenth Conference onUncertainty in Artificial Intelligence(UAI2000)SanFrancisco:arXiv Preprint,2013:176-183 22MONTEMERLO M,THRUN S,KOLLER D,et al Fast-SLAM:a factored solution to the simultaneous localizationand mapping problem C/Proceedings of the AAAI Na-tional Conference on Artificial Intelligence Sl:AAAI,2002:593-598 23 MONTEMERLO M,THRUN S,ROLLER D,et al Fast-SLAM 2 0:an improved particle filtering algorithm forsimultaneous localization and mapping that provably con-vergesC/International Joint Conference on ArtificialIntelligence Burlington:Morgan Kaufmann PublishersInc,2003:1151-1156 24 危双丰，庞帆，刘振彬，等 基于激光雷达的同时定位与地图构建方法综述 J 计算机应用研究，2020，37(2):327-332 25GRISETTI G,STACHNISS C，BURGARD W Improvedtechmiques for grid mapping with Rao-Blackwellizedparticle