Real-Time Loop Closure in 2D LIDAR SLAM
这次将介绍到这篇论文的相关工作,以及本文提出的SLAM系统的总览
相关工作:
1、mapping:
(1) Scan-to-scan matching: 应用广泛,但累积误差较大
(2) Scan-to-map matching: 用高斯牛顿方法限制累计误差,增加了局部优化,提高了有效性与鲁棒性,在一 些不稳定(这里指的是物理上的稳定)的平台上,需要配备IMU。
(3) Pixel-accurate scan matching: 进一步减少了局部误差的累积,但是计算量变大了,当然该方法也可以用 于闭环检测。
2、Loop Closure Detection:
(1)激光扫描特征匹配;
(2)直方图匹配;
(3)扫描数据的特征检测;
(4)机器学习;
3、Optimization:
(1)PF(粒子滤波):必须维护一整张地图中的所有粒子,当测量范围变大时,资源消耗也巨大,该方法就显得比较乏力。
(2)Graph-based SLAM(图优化):机器人位姿为构建的顶点,边是位姿之间的关系。
针对PF的局限,本文将用submap的方法,该方法,不需要栅格地图的每一个粒子,只会当有必要的时候才会去更新,这样可以解决粒子滤波资源大量占用问题
系统总揽:
本方法不使用PF,为了防止误差的累积,该系统会定期进行位姿优化
过程:
(1)当有子图完成时,不会再有新的扫描被插入到其中,它将作为扫描匹配以进行回环检测。
(2)若当前估计的位姿周围的搜索窗口中找到了足够好的匹配,则将其作为循环结束约束,添加到优化问题。
(3)所有已经完成的子图和扫描匹配将会自动闭环。
难点:闭环扫描匹配必须比添加新扫描要更快发生
解决方法:分支定界(brand and bound),预先计算好的网格