基于二维激光的室内移动机器人自主导航研究文献综述

1. 文献综述（或调研报告）：

目前常见的开源SLAM方案总体上可以分成视觉和激光两大类，而具体又可以依据传感器形式分为多种类型：单目相机（MonoSLAM、PTAM、SVO、DSO）、双目相机（RTAB-MAP）、RGB-D深度相机（DTAM、DVO、RGBD-SLAM-V2、Elastic Fusion）、激光（Hector-SLAM、Gmapping）等；亦或是支持多种传感器模式（ORB-SLAM、LSD-SLAM）或多传感器融合（OKVIS、ROVIO）的解决方案^[1]。

为了更好地对不同SLAM方案的性能表现进行评估，[2]针对ROS环境中可用的主流二维激光SLAM方案进行了对比。一共有五种SLAM方案在文章中被测试：HectorSLAM、Gmapping、KartoSLAM、CoreSLAM、LagoSLAM。这五种方案囊括了基于卡尔曼滤波器、基于粒子滤波器和基于图的主流方案，并均在模拟仿真环境和真实环境中进行了评估对比。实验人员对得到的结果使用K-近邻算法进行整体性能度量以评估被测试SLAM方案的性能，同时对不同方案运行时的CPU负载进行检测。研究发现：HectorSLAM仅依赖扫描匹配而不使用里程计的方式可能在长走廊场景出现较大误差，且其对激光雷达的数据更新频率提出了较高要求；Gmapping在所有测试过程中具有鲁棒性；而同样基于图的KartoSLAM和LagoSLAM由于后端优化过程的差异表现出不同，前者比后者结果更精确且CPU负载更低；CoreSLAM结果相对欠佳，且其检测机制缺乏收敛性。

其他部分文章对于其中特定类型的SLAM方案进行了研究：[3]研究了基于扩展卡尔曼滤波（EKF）的SLAM方案的收敛性和一致性问题，发现机器人首次观察到有效地标时其方位的不确定性对最后地标位置估计的不确定性上下限有显著影响。[4]针对基于图的SLAM方案常用的后端优化框架g2o进行了研究，展现了其在多个SLAM具体方案下的普适性和优秀性能。[5]对稀疏姿态调整（Sparse Pose Adjustment, SPA）在二维建图场景下的应用进行了研究，对比了SPA与其他非线性优化问题的解决方案在收敛速度和准确性上的差异。

扫描到扫描匹配在激光SLAM方案中被广泛用于计算相对位姿变化^[5][6][7][8]。[6]中的像素级扫描匹配的方法进一步降低了累计误差，而[8]则通过提取激光扫描结果中的特征用于匹配来降低运算资源消耗。对于回环检测部分，[9]提出了基于直方图匹配的方案，而[10]则使用了机器学习。

[11]针对隧道内的灾害环境这一具体情形研究了不同的感知和建图方案。文章的侧重点是将经过特别设计优化的与现成的（无需二次开发的）消费级设备和算法形成的技术方案进行对比评估；通过与一线救援人员交流得知其对不同方案获取数据结果的认可程度；与算法开发者进行讨论来了解不同算法的优劣；建立关于紧急救援情形的公共数据集以供其他研究者进行后续研究使用。文章的研究使用到了多种不同类型的传感器，包括三维激光雷达（Velodyne HDL-64）、二维激光雷达（Sick S100）、热成像相机（FLIR PathfindIR）、立体相机（Bumblebee）、全景相机、景深相机（Microsoft Kinect），以及一个IMU惯性测量单元（XSens MTi）。文章调研算法包括2D建图方案（HectorSLAM、Gmapping、Voting-based Scan Matching）和3D建图方案（RGBD-SLAM、3D Toolkit、PTAM）。经过两个阶段的研究，文章最后认为在隧道（类似于长走廊）这种特定环境下，结合使用激光雷达和其他传感器（如里程计）进行数据融合有助于生成全局一致的地图。

针对室内机器人应用的诸多限制，Google在2016年开源其名为Cartographer的SLAM算法，其核心设计思想和原理在[12]中提出。该算法的测试建图方法是研究者背负一个装有建图设备的背包在建筑物楼道内巡走，而其背负的计算平台即可实时给出更新后的可视化建图结果（分辨率可达到5cm水平），为研究者评估已采集数据的质量和范围提供参考。这个算法基于网格进行建图，基于图进行后端优化；为了实现实时回环检测，该方案使用分支定界算法（branch-and-bound）对扫描结果与子图匹配过程进行加速。优化过程使用了Ceres库（Google开源的用于非线性优化的库）。算法在二维应用场景下无需里程计和IMU数据（可选使用IMU提供一个较为可靠的初值（initial guess））。该算法将扫描-子图匹配和实时回环检测以及图优化相结合，用每个独立的子图进行局部的建图，而与此同时周期性地在后台将所有扫描结果与接近的子图匹配来完成闭环约束。这个算法适用于室内用服务机器人（扫地机器人等）、无人机等计算资源有限、精度要求低、需要实时避障和寻路的应用场景。

多数效果出众的成熟SLAM方案依托ROS环境运行，而这样的技术方案往往需要在装有Linux操作系统的计算机平台实现。[13]尝试将ROS环境整合到基于Arduino的控制板上，实现对教育用途的移动机器人的控制。研究者为此开发了一个ROS内的驱动接口以提供硬件抽象、底层设备控制和常用功能执行，减少开发所需时间。这可以被应用在有成本限制，或是多机器人协同工作要求的情形。另外一种解决方案是选择基于Linux的针对这类移动机器人的特别发行版，如[14]中提出的RoboBuntu。相比之下这类方案具有明显的“上手即用”的特点，初期的配置时间开销和学习成本较低，更加适合教育研究领域。

除了在降低硬件计算能力要求上的努力，建图算法上的简化也是一个活跃的研究方向。[15]提出了一种用200行以内C语言代码实现的精简SLAM算法。通过结合激光雷达和里程计数据，这种算法以一种相对简单高效的方式实现了常规精度要求下的建图任务。

1. 高翔，张涛，刘毅，等. 视觉SLAM十四讲：从理论到实践[M]. 电子工业出版社. 2017.
2. J. M. Santos, D. Portugal, R. P. Rocha. An evaluation of 2D SLAM techniques available in Robot Operating System[C]. Int. Symp. on Safety Security and Rescue Robotics (SSRR), 2013.
3. S. Huang, G. Dissanayake. Convergence and Consistency Analysis for Extended Kalman Filter Based SLAM[J]. IEEE Trans. on Robotics 2(5), Oct. 2007.
4. R. Kummerle, G. Grisetti, H. Strasdat, et al. g2o: A General Framework for Graph Optimization[C]. IEEE International Conference on Robotics and Automation (ICRA), 2011.
5. K. Konolige, G. Grisetti, R. Kummerle, et al. Efficient Sparse Pose Adjustment for 2D Mapping[C]. Proc. of Int. Conf. on Intelligent Robots and Systems (IROS), Oct. 2010.
6. E. Olson. M3RSM: Many-to-many multi-resolution scan matching[C]. Proc. of the IEEE International Conference on Robotics and Automation (ICRA), Jun. 2015.
7. F. Lu, E. Milios. Globally consistent range scan alignment for environment mapping[J]. Autonomous robots, vol. 4, no. 4, pp. 333-349, 1997.
8. F. Martiacute;n, R. Triebel, L. Moreno, et al. Two different tools for three-dimensional mapping: DE-based scan matching and feature-based loop detection[J]. Robotica. vol. 32, no. 01, pp. 19-41, 2014.
9. M. Himstedt, J. Frost, S. Hellbach, et al. Large scale place recognition in 2D LIDAR scans using geometrical landmark relations[C]. Intelligent Robots and Systems (IROS 2014) 2014 IEEE/RSJ International Conference on. IEEE, pp. 5030-5035, 2014.
10. K. Granstrouml;m, T. B. Schouml;n, J. I. Nieto, et al. Learning to close loops from range data[J]. The International Journal of Robotics Research, vol. 30, no. 14, pp. 1728-1754, 2011.
11. M. Leingartner, J. Maurer, A. Ferrein, et al. Evaluation of sensors and mapping approaches for disasters in tunnels[C]. Int. Symp. on Safety Security and Rescue Robotics (SSRR), 2013.
12. W. Hess, D. Kohler, H. Rapp, et al. Real-time loop closure in 2D LIDAR SLAM[C]. International Conference on Robotics and Automation (ICRA), 2016.
13. A. Araujo, D. Portugal, M. Couceiro, et al. Integrating Arduino-based Educational Mobile Robots in ROS[C]. Int. Conf. on Autonomous Robot Systems, Lisbon, Portugal, April 25-29, 2013.
14. A. Mancini, E. Frontoni, A. Ascani, et al. RoboBuntu: A Linux distribution for mobile robotics[C]. International Conference on Robotics and Automation (ICRA), 2009.
15. B. Steux, O. El Hamzaoui. tinySLAM: A SLAM algorithm in less than 200 lines C-language program[C]. Proc. of the Int. Conf. on Control Automation Robotics amp;Vision (ICARCV), Dec. 2010.