室內(nèi)激光SLAM技術(shù)國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢文獻綜述1.1激光SLAM研究概況同時定位與建圖本身是一個狀態(tài)估計問題，激光SLAM利用環(huán)境點云信息進行位姿估計，同時進行局部地圖的構(gòu)建。點云信息的處理是其中的重點及難點。如何有效根據(jù)機器人的位姿模型與運動模型建立激光SLAM模型并求解，經(jīng)過多年科學(xué)研究的不斷探索，主要分為了以下三種處理方法：擴展卡爾曼濾波（ExtendedKalmanFilter，EKF）SLAM、RBPF（Rao-BlackwellisedParticleFiltering）SLAM以及圖(Graph)優(yōu)化SLAM。1.2基于EKF的室內(nèi)激光SLAM技術(shù)EKF方法[14,15]是一種狀態(tài)參數(shù)估計方法。在SLAM問題被提出后，Smith[16]及Durrant-Whyte[17]研究了機器人位置確定問題。在此基礎(chǔ)上提出了基于EKF的解決方法并引發(fā)了許多研究者對該方法的研究與討論[18-22]。文獻[23]在前人的研究基礎(chǔ)上實現(xiàn)了完整的SLAM算法框架搭建，許多科研人員在不同的場景需求下完成了SLAM算法的開發(fā)[24-27]。但是，EKFSLAM方法也存在許多局限性。第一個問題是算法的一致性[28]。文獻[29]首先指出了算法不易收斂的問題。這一問題引起了專家學(xué)者的大量討論，一開始，科學(xué)界普遍認(rèn)為是時間導(dǎo)致了算法收斂的不一致性[30]。但是隨著研究的深入，逐步發(fā)現(xiàn)導(dǎo)致這一問題的原因是由于隨時間不斷積累的方向方差[31]。為了解決這一問題，Julier[32]等引入了UnscentedKalmanFilter（UKF）方法，解決EKF的非線性優(yōu)化問題。該方法提出后，在不同的系統(tǒng)上得到了實現(xiàn)并進行了拓展[33-35]。第二個問題是數(shù)據(jù)關(guān)聯(lián)[36-38]。EKF的數(shù)據(jù)關(guān)聯(lián)依賴于特征描述子，需要具備高識別度的特性，從特征描述子中提取環(huán)境特征信息，完成機器人建圖與定位功能。第三個問題是計算成本高。EKF由于原理特性，需要耗費大量的計算資源。在此基礎(chǔ)上許多研究者提出基于分割原理的更新方法[39,40]，基于濾波的稀疏信息處理辦法[41-43]，以及構(gòu)建子地圖再進行建圖定位的方法[44-46]等。1.3基于RBPF的室內(nèi)激光SLAM技術(shù)RBPF方法是一種粒子濾波的SLAM處理框架。由Murphy[47]、Doucet[48]等提出，并進一步擴展[49,50]。Brunskill[51]、Beevers和Huang[52]在前人基礎(chǔ)上實現(xiàn)了基于RBPF的SLAM系統(tǒng)。Eliazar[53]等為了進一步提高地圖精度，提出DP-SLAM，通過建立粒子系譜樹的方式更新地圖。耗費計算資源是RBPF方法最關(guān)鍵的問題，如何降低計算量是許多學(xué)者研究的重點。文獻[54]為了降低粒子數(shù)目從而降低計算量，使用了相關(guān)匹配方法，與RBPF結(jié)合，構(gòu)成SLAM系統(tǒng)，該算法后期經(jīng)過了一系列的改進[55-56]。另外，自適應(yīng)確定粒子數(shù)量也是一種降低計算量的方法，如文獻[57]使用Kullback-Leiblerdistance（KLD）[58]方法解決了上述問題。此外，朱磊[59]等通過改變粒子分布的方法，引入人工魚群算法，達(dá)到降低計算量的目的。在計算資源受限、待估計量簡單的情況下，RBPF方法比較有效，經(jīng)常應(yīng)用在SLAM的實際場景中。但是，當(dāng)面臨大環(huán)境，長時間定位建圖的問題時，基于RBPF的算法效率較低，不能解決實時大場景的SLAM問題。1.4基于圖優(yōu)化方法的室內(nèi)激光SLAM技術(shù)上世紀(jì)90年代，圖優(yōu)化SLAM由Lu和Milios[60]提出，把建模問題變?yōu)閮?yōu)化問題，認(rèn)為求解所有特征和狀態(tài)都相關(guān)，這種方法的計算量太大，在當(dāng)時的計算條件下無法求解。隨著計算機硬件的發(fā)展，計算能力增強，圖優(yōu)化算法開始重視起來?；趫D的SLAM[61]方法以圖[62]為結(jié)構(gòu)，由兩個部分組成，一部分是數(shù)據(jù)關(guān)聯(lián)問題，也稱之為SLAM前端[63]（Front-End）。另一部分是優(yōu)化或者SLAM后端[64]（Back-End）問題。解決上述關(guān)鍵問題是近年來研究的熱點。對于后端的非線性化解決，文獻[65]利用稀疏矩陣分解完成了優(yōu)化。之后文獻[66]提出iSAM，可以在線進行SLAM的計算。針對隨機梯度下降的優(yōu)化問題，文獻[67,68]所述方法進行了研究。針對優(yōu)化的收斂速度問題，文獻[69-72]分別利用了樹參數(shù)化、變量消除、SLAM分層以及期望最大化技術(shù)進行了收斂問題的優(yōu)化。針對圖優(yōu)化后端問題，Dubbelman[73]等利用封閉式的思想提出了解決方案。針對SLAM前端問題，文獻[74]提出一個基于譜聚類的前端方法并進行了聯(lián)合相容性（JointCompatibility）[75]測試，文獻[76]為了獲得可靠初始位姿，提出了一種基于估計方法的技術(shù)。另外，Dellaert[77]通過分析信息形式下的SLAM效率，提出采用多柵格優(yōu)化的技術(shù)，提高了計算速度。Grisetti[78]等針對累計誤差的積累，提出基于最小二乘誤差最小化的最新解決方案。Hess[79]等人提出的CartographerSLAM算法通過分支定界的方法并對掃描進行閉環(huán)檢測，在構(gòu)建大范圍環(huán)境地圖精度高，魯棒性好，其開源數(shù)據(jù)集德意志博物館繪制地圖如圖1-5所示。圖1-5Cartographer德意志博物館數(shù)據(jù)集繪制地圖上述三類定位與地圖創(chuàng)建方法中，EKFSLAM和RBPFSLAM以概率學(xué)為基礎(chǔ)，使用概率分布的方式對地圖最優(yōu)估計問題進行定義，然后經(jīng)過濾波算法完成狀態(tài)估計的計算；而圖優(yōu)化SLAM將定位看作優(yōu)化過程，通過閉環(huán)優(yōu)化，完成規(guī)劃求解。與EKFSLAM和RBPFSLAM相比，GraphSLAM在節(jié)點與約束數(shù)據(jù)都完成的情況下進行離線位姿估計和地圖創(chuàng)建，是一種基于閉環(huán)消除定位誤差的地圖創(chuàng)建方法，在建立正確閉環(huán)的前提下，通過優(yōu)化方法校正機器人位姿和創(chuàng)建環(huán)境地圖，具有全局優(yōu)化的思想，得到更加準(zhǔn)確的數(shù)據(jù)。因此，本文采用圖優(yōu)化方法進行室內(nèi)定位的研究。參考文獻Doan,P.T,Nguyen,T.T.Pathtrackingcontrolofautomaticguidedvehicleusingcamerasensor[C].Proceedingsofthe1stInternationalSymposiumonAutomotiveandConvergenceEngineering.2011:20-26.Pratama,P.S.TrajectoryTrackingAlgorithmforAutomaticGuidedVehicleBasedonAdaptiveBacksteppingControlMethod[M].2013,14(2):400-410.Hidayat,F.,Trilaksono,B.R.,Hindersah,H.DistributedMultiRobotSimultaneousLocalizationandMappingwithConsensusParticleFiltering[J].JournalofPhysics:ConferenceSeries,2017,801:012003.ZouQ,WangX.Arobotnavigationmethodbasedonlaserand2Dcode[C].//2016IEEEInternationalConferenceonInformationandAutomation(ICIA).IEEE,2016:485-490.Saez-Pons,J.,Lehmann,H.,Syrdal,D.S.,etal.Developmentofthesociabilityofnon-anthropomorphicrobothomecompanions[C]//JointIEEEInternationalConferencesonDevelopmentandLearningandEpigeneticRobotics.IEEE,2014:111-116.鄭炳坤,賴乙宗,葉峰.磁導(dǎo)航AGV控制系統(tǒng)的設(shè)計與實現(xiàn)[J].自動化與儀表,2014,29(3):6-10.韓金華,王立權(quán),孟慶鑫.護士助手機器人磁導(dǎo)航方法研究[J].儀器儀表學(xué)報,2009,30(4):834-839.Storms,W.,Shockley,J.,Raquet,J.MagneticFieldNavigationinanIndoorEnvironment[C]//UbiquitousPositioningIndoorNavigationandLocationBasedService(UPINLBS).IEEE,2010:1-10.Velagic,J.,Osmic,N.,Hodzic,F.,etal.OutdoornavigationofamobilerobotusingGPSandGPRScommunicationsystem[C]//Elmar.IEEE,2011:173-177.Gabriel,N.,Weiss,S.,Scaramuzza,D.,etal.FusionofIMUandVisionforAbsoluteScaleEstimationinMonocularSLAM[J].JournalofIntelligent&RoboticSystems,2011,61(1-4):287-299.Corke,P.,Lobo,J.,Dias,J.AnIntroductiontoInertialandVisualSensing[J].TheInternationalJournalofRoboticsResearch,2007,26:519-535.Loevsky,I.,Shimshoni,I.Reliableandefficientlandmark-basedlocalizationformobilerobots[J].Robotics&AutonomousSystems,2017,58(5):520-528.Romano,J.M.,Hsiao,K.,Günter,N.,etal.Human-InspiredRoboticGraspControlWithTactileSensing[J].IEEETransactionsonRobotics,2012,27(6):1067-1079.Kalman,R.E.Anewapproachtolinearfilteringandpredictionproblems[J].JournalofBasicEngineering,1960,82:35-45.Maybeck,P.StochasticModels,Estimation,andControl[M].NewYork:AcademicPress,1979:1-16.Smith,R.C.,Cheeseman,P.Ontherepresentationandestimationofspatialuncertainty[J].InternationalJournalofRoboticsResearch,1986,5(4):56-68.Durrant-Whyte,H.F.Uncertaingeometryinroboti