著者: Xue Guanghui、Li Ruixue、Zhang Zhenhao、Liu Rui
出典: 情報と管理
編集者: Zheng Xinxin @一点Artificial Intelligence
グループへの参加への招待: 7 つの専門的方向性交換グループ + 1 つのデータ要求グループ
オリジナルアドレス: 3D LIDAR に基づく SLAM アルゴリズムの研究状況と開発動向
00 まとめ
SLAMアルゴリズムは、移動ロボットが自律移動を実現するための重要なリンクです。LiDAR は、測距精度が高く、外部干渉を受けにくい、直感的で便利なマップ構築という利点があり、大規模で複雑な屋内および屋外のシーン マップの構築に広く使用されています。3D レーザーの応用と普及に伴い、国内外の学者は 3D LIDAR に基づく SLAM アルゴリズムの研究で実りある成果を上げています。
本稿では、フロントエンドのデータ連携とバックエンドの最適化における3DレーザーSLAMアルゴリズムの国内外の研究状況を整理し、さまざまな3DレーザーSLAMアルゴリズムの原理、長所と短所、改善スキームを分析してまとめ、ディープラーニングについて解説します。 3D レーザー SLAM アルゴリズムにおける理論と技術の応用では、マルチソース情報の融合、深層学習との組み合わせ、アプリケーション シナリオの堅牢性、SLAM アルゴリズムの一般的な枠組み、およびモバイル センサーとワイヤレスの技術浸透を指摘しています。信号システムは、3D レーザー SLAM アルゴリズムの研究ホットスポットと開発トレンドの重要な要素です。
研究結果は、3DレーザーSLAMアルゴリズムや、未知の環境における移動ロボットのリアルタイム測位と地図構築の研究にとって重要な参考値と指針となる重要性を持っている。
01 はじめに
SLAM アルゴリズムの古典的なフレームワークには、図 1 に示すように、フロントエンド データの関連付けとバックエンドの最適化という 2 つの部分が含まれています。LIDAR によって測定された点群データに基づいて、フロントエンドはスキャン マッチング、閉ループ検出を通じてフレーム間の位置合わせを実行し、異なるフレーム間の点群データ間の関係を取得し、位置推定値を継続的に更新します。対応するマップ情報を保存し、バックエンドはメンテナンスを通じて、フロントエンドによって取得されたロボットの姿勢と観測制約を最適化し、構築されたマップとロボットの現在の姿勢の最尤推定を取得します。
SLAM アルゴリズムは、使用するセンサーに応じて、視覚センサーベースのビジュアル SLAM アルゴリズムと、ライダーベースのレーザー SLAM アルゴリズムの 2 種類に大別されます。視覚センサーと比較して、LIDAR は測距精度が高く、照明や視野角の変化などの外部干渉の影響を受けにくい、直感的で便利なマップ構築という利点があり、大規模で複雑な屋内および屋外シーンの構築に広く使用されています。地図。
Lidarはレーザーラインの数に応じて2D Lidarと3D Lidarに分けられます。現在、2D レーザー SLAM 技術の開発は比較的成熟しており、サービスロボットや産業現場に応用されています。
2Dレーザーレーダーは、単線レーザーの発光と受信を同時に行い、構造が簡単で、走査速度が高く、角度分解能が高く、消費電力が低く、センチメートルレベルの精度を備えていますが、航空機環境によって制限され、応用はできません。全地形環境 起伏や坂道などのシーンでは測位や地図構築ができません。
3Dレーザーレーダーは、複数のレーザー光を照射することで未知の環境にある物体との間の幾何情報を計測し、3次元の空間構造情報を反映した正確な距離・角度情報を含む点群データを取得します。得られるレーザーポイントが多いほど、環境構造の記述がより明確になります。
マルチラインレーザーレーダーの量産化と普及、消費電力の削減と組み込みプロセッサの演算能力の向上により、3Dレーザーレーダーは低コスト、低消費電力、高出力化を目指し始めています。信頼性アプリケーション 3D レーザーレーダーに基づく SLAM アルゴリズムは急速に発展しました。
2014 年に ZHANG によって提案された LOAM (LiDAR オドメトリおよびマッピング) アルゴリズムは、現在最も代表的な 3D レーザー SLAM アルゴリズムです。原理は、レーザー SLAM を走行距離計算方法とマップ構築アルゴリズムに分割することであり、高速、高精度、優れた堅牢性、低計算消費量という利点がありますが、欠点は閉ループ検出がなく、ドリフトが発生することです。大規模なテストやオープン環境では、機能が欠落しているために機能低下の問題が発生します。SHAN らは、LOAM の特徴マッチングを最適化し、閉ループ検出を追加し、LOAM アルゴリズムと比較して実行時間を一桁短縮し、より少ないコンピューティングを使用しながら同等またはそれ以上の精度を達成する LeGO-LOAM を提案しました。リソースが存在しますが、場合によってはエラーや認識不足が発生することがあります。一部の学者は、Eigen 線形反復と Ceres Solver 非線形最適化を使用してコード構造を簡素化し、複雑な数学的導出と冗長な演算を削減し、LOAM の高度な実装である A-LOAM を提案しています。
さらに、DESCHAND らは、フレームとモデルのマッチング フレームワーク IMLS-SLAM を提案し、陰的移動最小二乗法 (IMLS) 曲面公式を導入し、点から陰的曲面までの距離を最小化する方法を使用して、ローカル LIDAR のスキャン ポイントこれにより、正確な姿勢推定が可能になりますが、リアルタイムでは達成できません。典型的な密な方法として、BEHLEY らは、サーフェルベースのマップに基づく登録と閉ループ検出のための SuMa (サーフェルベース マッピング) アルゴリズムを提案しました。これは、レーザー ポイントのみに基づいて、欠落特徴や欠落データに対してより堅牢です。クラウド データは、大規模な環境でグローバルに一貫したマップを構築できます。
既存の 3D LIDAR SLAM アルゴリズムの研究は、公開データセットのテストで良好なパフォーマンスを示し、並進または回転のドリフトが低く、画質と軌道精度が高いことを示していますが、実用化にはまだ多くの制限があります。屋内から屋外、または静的環境から動的環境などの環境に対する堅牢性、無人地上車両 (UGV) などの一部のロボット プラットフォームなどのリアルタイム要件、コンピューティング リソースは限られており、コンピューティング リソースは限られています。位置決めと経路計画を同時に行う必要があり、計算コストが比較的高くなります。
学者らは、SLAM の関連研究を要約し、SLAM の一般的な問題、モデルとフレームワーク、困難さと主な手法を説明し、関連研究の進捗状況をレビューし、SLAM の開発傾向について議論しました。ビジュアル SLAM アルゴリズム、または SLAM アルゴリズムまたはそのサブフィールドの特定の側面に関して、3D LIDAR SLAM アルゴリズムを含む研究はほとんどありません。Zhou Zhiguoらは、3D LIDAR SLAMアルゴリズムのフレームワークと主要モジュールの概要を説明しましたが、アルゴリズムスキームの導入では、テストと比較のために6つのオープンソースアルゴリズムのみが選択され、詳細には拡張されませんでした。XUらは、3D LIDARに基づくマルチセンサー融合SLAMの開発プロセスと最新の研究成果を紹介した。
この論文は、3D レーザー SLAM アルゴリズムのフロントエンドとバックエンドから現在の主流の 3D レーザー SLAM アルゴリズム スキーム、3D レーザー SLAM における深層学習とマルチセンサー フュージョンの適用を体系的に説明し、既存の問題点と問題点について説明します。現在主流の 3D レーザー SLAM アルゴリズムについて、後続研究の参考と指針を提供するには、その研究のホットスポットと開発傾向を要約するのが不十分です。
02 SLAMフロントエンド
3D レーザー SLAM アルゴリズムのフロントエンドは、主にデータ関連付けの問題を解決します。スキャン マッチングはローカル データ関係を考慮し、閉ループ検出はグローバル データ関係を処理します。スキャン マッチングと閉ループ検出は両方とも、レーザーに基づいてノード間の制約を確立します。フレームデータ。
2.1 スキャンマッチングアルゴリズム
スキャン マッチング アルゴリズムの精度と計算効率は、SLAM アルゴリズムの軌道推定とマップ構築の精度に直接影響し、バックエンド最適化のためのロボット状態の初期値と制約関係を提供します。特徴ベースのマッチングアルゴリズム。
1) ICPベースのマッチングアルゴリズム
古典的な ICP アルゴリズムは、1992 年に BESL らと CHEN らによって提案されました。原理は、最小距離誤差を目的関数として取り、隣接する走査フレーム内の 2 つの走査点間の最良の変換関係を繰り返し見つけることです。このアルゴリズムは局所最適に陥りやすく、走査点数が増えると計算コストが高くなりすぎる。
古典的な ICP アルゴリズムが局所最適に陥りやすいという問題を解決し、効率と精度を向上させるために、多くの学者が ICP に基づく改良されたアルゴリズムを研究し、点の選択、マッチングなどの ICP アルゴリズムのステップを最適化しました。 、間違った関連付けを重み付けして排除する、またはコスト関数を最小化するという選択。このうち、3D LIDAR SLAM に適したアルゴリズムとしては、PP-ICP (point-to-plane ICP)、PL-ICP (point-to-line ICP)、GICP (generalized ICP)、NICP (normal ICP) などが挙げられます。PP-ICP アルゴリズムのエラー コストは点と平面の間の距離ですが、PL-ICP アルゴリズムは点から線までの距離をエラー コストとして使用するため、より実際の状況に一致します。GICP ICP アルゴリズムと PL-ICP アルゴリズムを組み合わせて点群登録を実行すると、適用性と精度が向上します。精度を向上させるために、NICP は環境表面の法線ベクトルと曲率を考慮します。
IMLS-ICP は、各点に重み値を割り当て、マッチングのための代表点を選択し、ターゲット点に基づく局所的な表面法線を使用して、IMLS 法によって表面を再構成します。BLAM は、GICP アルゴリズムを通じて点群データの 2 つのフレームの姿勢変換を事前に計算し、現在のフレームに対応する最も近い点を取得します。次に、GICP アルゴリズムを再度使用して正確な姿勢データを取得し、閉ループ検出を実行してマップを取得します。マッピングの精度が向上します。LiTAMIN アルゴリズムは、KD ツリー (K 次元ツリー) を使用して、2 つの確率分布の差を反映する対称 KL (カルバック・ライブラー) 発散を ICP コスト関数に導入し、点群登録点の数を減らし、処理速度を向上させます。 ) ボクセル グリッド マップを構築します。これにより、登録精度を維持しながらアルゴリズムの精度と堅牢性が向上します。ただし、収束を達成するために必要な反復回数の多さ、良好な初期化の要件、およびノイズに対する感度により、ICP とそのバリアントは依然として制限されており、さらに、生の点群マッチングを適用する計算コストは通常高くなります。
2) 幾何学的特徴に基づくマッチングアルゴリズム
図 2 に示すように、幾何学的特徴に基づくスキャン アルゴリズムでは、主にエッジと平面の特徴が利用され、エッジと平面の一致が維持されます。LOAM は、局所的な滑らかさに基づいて、現在のフレームと一致するフレームのエッジと平面の特徴を抽出し、現在の点群内の点をマップ内のエッジおよび平面と照合します。また、より優れたパフォーマンスを達成するために、幾何学的特徴に基づいたマッチング アルゴリズムを拡張する多くの研究もあります。たとえば、LeGO-LOAM は、特徴抽出の前に個別の地面最適化を使用します。アルゴリズム ソフトウェア システムのブロック図は、図 3 に示されています。R-LOAM (参照 LOAM) は、参照オブジェクトから抽出されたグリッドの特徴を組み合わせて長期ドリフトを効果的に低減しますが、3D グリッドと参照オブジェクトの位置決め精度については高い要件があります。点群変換関係の事前情報が不要なため、特定形状の幾何特徴を利用してマッチングアルゴリズムを反復的に解くことができ、幾何特徴に基づくマッチングアルゴリズムの計算量が大幅に削減され、リアルタイム性が向上します。パフォーマンスが良く、マッチング精度が高く、広く使用されていますが、欠点は、幾何学的特徴が明らかでない環境では、結果が不正確で不安定になる可能性があることです。
Surfel は、ポリゴン メッシュの代わりに点群を使用して 3D 形状をレンダリングするポイントベースのレンダリング方法ですが、GPU 処理が必要です。DROESCHEL らは、表面要素の特徴を使用して、段階的に構築された多重解像度グリッド マップで連続 3D レーザー スキャンを登録し、測定の疎さとグリッドの離散化の場合の精度を達成するために、ガウス混合モデルを確率的に使用しました。ファセットの数により、アルゴリズムの精度と効率が向上します。SuMaを含むビジュアルSLAMにおけるElastic-Fusionの処理方法を参考に、Elastic-LiDAR FusionはLIDAR点群データの形状をビンとして近似し、そのビンの特徴を利用してレーザーオドメトリを実現します。SuMa アルゴリズムのソフトウェア システム ブロック図を図 4 に示します。
3) 数学的特徴に基づくマッチングアルゴリズム
数学的特徴に基づくマッチング アルゴリズムは、さまざまな数学的性質を使用してスキャン データとデータ フレームの姿勢変化を特徴付けるスキャン マッチング手法であり、代表的なものは正規分布変換 (NDT) に基づくマッチング アルゴリズムです。合理化されたターゲット 3D 点群モデルを構築するための高速空間モデリング テクノロジ。
2003 年に BIBER らは、正規分布変換関数に基づく点群登録 2D-NDT (2 次元 NDT) アルゴリズムを提案し、SLAM への適用に成功しました。登録の過程で正規分布を使用してキー フレームを表現し、グローバル ポーズのコレクションを取得します。大量の点群データの場合、NDT アルゴリズムは ICP アルゴリズムよりも登録が高速ですが、登録精度は ICP アルゴリズムほど高くありません。2006 年に MAGNUSSON らは 3D-NDT (3 次元 NDT) アルゴリズムを提案し、LIDAR 点群データの登録により適したものにするために継続的に改良を加えました。ONDT (占有 NDT) アルゴリズムは、多次元正規分布変換のマップ表現を研究します。OctoMap や NDT-OM (正規分布変換占有マッピング) や他の 3D マップ表現と比較して、精度が高く、メモリ消費量が少なく、高速に実行されます。RGC-NDT (地域成長クラスタリング正規分布変換) アルゴリズムは、クラスタリング アルゴリズムを使用して詳細な自然特徴を捕捉し、従来の NDT アルゴリズムと比較して照合精度が 1.18 倍向上し、照合時間はわずか 1/3 です。 2021年、KOIDEらは、NDTとICPのようなアルゴリズムの利点を組み合わせて、ボクセル化によってGICPアルゴリズムを拡張し、コストのかかる最近傍探索を回避し、3Dレーザー点群を迅速かつ正確に実現できるVGICP（ボクセル化GICP）アルゴリズムを提案した。登録をする
2.2 閉ループ検出
SLAMのフロントエンドの近似計算もバックエンドの漸近マッピングもセンサーの情報の偏りにより計算誤差が発生し、蓄積され続けます。閉ループ検出は、誤差の過度の蓄積を回避するための重要なモジュールです。実際の閉ループが正しく検出されれば、対応する 2 つの瞬間における姿勢やその他の情報の推定誤差を大幅に削減し、誤差を修正できます。大域的な関連瞬間の姿勢とマップ情報、実際の距離の判断を誤って取得した 2 組の点群が閉ループである場合、大域的な姿勢とマップ情報の近似計算に大きな誤差が生じる可能性があり、さらには制約情報が矛盾し、解決不能になります。よりコンパクトで正確な閉ループ制約により、最終的にはトポロジ的に一貫した軌道マップが形成され、その精度と効率は SLAM にとって重要です。そのプロセスを図 5 に示します。3D レーザー点群データの情報は単一で無秩序でまばらであるため、点群マッチング時間が増加するにつれて、SLAM では不正確な軌道や重複する構築マップなどの問題が発生することがよくあります。しかし、現時点では、ループ閉鎖検出のための最適なソリューションが広く認識されていません。
OLSON は、回転と平行移動を通じて 2 つのレーザー データの類似性を判断し、相関スキャン マッチングの方法を採用して閉ループ検出の効果を実現します。LeGO-LOAM は、ループ閉鎖検出にユークリッド距離と組み合わせた ICP アルゴリズムを使用します。ただし、幾何学的推定を利用したこのような単純な戦略は、フロントエンド オドメトリの累積ドリフト誤差が大きいため、大規模環境ではループ閉鎖検出には効果的ではない可能性があります。
2 組の点群を 2 点間で直接マッチングする方法のほかに、幾何情報や強度情報などを利用して記述子を構築し、記述子を比較することで類似性を測定する方法があります。デザインとディープラーニング。前者は、ローカルベースの記述子、グローバルベースの記述子、ハイブリッドベースの記述子を含む 3D 点群を直接処理できますが、後者は、構造への前処理など、3D 点群を深層学習で処理できる形式に表現する必要があります。最適化された固定サイズの表現。識別能力と堅牢性を備えた特徴記述子を効果的に抽出することも、学者が注目し研究している課題の一つです。
各キーポイント位置から局所記述子が抽出され、バッグオブワードモデルに基づいてシーンマッチングが実行されるため、マッチング能力とロバスト性が向上します。3DSift（3次元シフト）、3DHarris（3次元ハリス）、3D-SURF、ISS（固有形状シグネチャ）、SHOT（方向ヒストグラムのシグネチャ）などの局所記述子など、多くのキーポイント検出方法が提案されています。 、B-SHOT (配向のヒストグラムのバイナリ署名)、ISHOT (配向のヒストグラムの強度署名)、および FPFH (高速ポイント特徴ヒストグラム)。
ローカル記述子は、ローカル特徴間の関係を無視して、レーザー点群のまばらで不連続な特徴に対してあまり堅牢ではありません。通常、多くのローカル幾何学計算が必要ですが、グローバル記述子は、高い再現性でキーポイントを検出するのに優れています。マッチングはグローバルで実行されます。点群。M2DP (マルチビュー 2D 投影) は、点群を複数の 2D 平面に投影し、各平面の点の密度シグネチャを生成します。これらのシグネチャの左右の特異ベクトルはグローバル記述子として使用されます。GLAROT-3D (幾何学的ランドマーク関係回転不変 3D) は、幾何学的関係の平行移動および回転不変 3D 記述子に基づいて、キーポイント ペアの相対幾何学的位置をヒストグラムにエンコードします。Scan Context メソッドは、高さの値を記述子として格納する 2 次元マトリックス形式のデータを使用し、高速検索を実現するための類似性スコアと最近傍検索の融合と、ループを検出するための 2 段階の検索アルゴリズムも提案しています。
WANGらは、ジオメトリと強度の特徴を統合することにより、二項演算に基づく高速なジオメトリ検索と強度構造マッチングなどの効率を向上させる2段階の階層的位置再識別戦略ISC（強度スキャンコンテキスト）を提案した。人間の虹彩からインスピレーションを得た LiDAR Iris は、環境の高さ情報をピクセル強度にエンコードし、識別用のバイナリ特徴画像を抽出し、対応する画像のハミング距離を使用して類似度を計算します。点群をさまざまなオブジェクトにセグメント化するために、シードはセグメント化されたオブジェクトのトポロジー情報をグローバル記述子にエンコードします。これらの方法は、幾何学的構造を記述子にエンコードし、良好な結果を達成していますが、レーザーのグローバルまたはローカル記述子の記述能力と回転不変性能はまだ不足しています。より高度な機能を統合することで、記述子の識別能力をさらに強化できます。
SegMatch (セグメント マッチング) や SegMap (セグメント マッピング) などの混合記述子に基づいて、点群が複数のセグメントに集約され、セグメント特徴が抽出され、KNN (K 最近傍) アルゴリズムを使用して対応するオブジェクトを識別します。 、ローカルとの組み合わせ 記述とグローバル記述の利点により、まばらな点群データと単一フォームの問題が解決されます。SegMap 記述子は、リアルタイムのシングルおよびマルチロボット システムのデータ圧縮要件に対応し、ナビゲーション タスクやロボット オペレーターなどのエンド ユーザーへの視覚的フィードバックのための 3D マップの再構成や密集環境の意味情報の抽出にも使用できます。SegGraph (セグメントグラフ化) は、点群を分割した後のエッジマッチングを主な基礎として使用し、K-common サブグラフ判定法に基づいた閉ループ検出を実現します。
03 SLAM バックエンド
3D レーザー SLAM アルゴリズムでは、バックエンド最適化の目的は、レーダーの各フレームのポーズとフレーム間の動きの制約を組み合わせて全体の最適化を達成し、局所的な累積誤差を排除し、環境マップに基づいた推定値を生成することです。フロントエンドから提供されるデータを主にフィルタリングを含めて解析する 拡張カルマンフィルタと非線形最適化の2つの考え方がある フィルタリングは主に拡張カルマンフィルタを用いて最適な推定値を求めるが、適応性が低い、ループがないなどの問題があるループが多く、距離が長い大規模環境への適用は困難; 非線形 最適化スキームは、全体的な最適化を実行し、すべてのデータを考慮するグラフ最適化によって代表されます。計算量が多いほど融合精度が高くなります。バックエンド最適化の前後の比較を図 6 に示します。バックエンド最適化によってモーション ポーズを効率的に修正し、マップ精度を向上させる方法は、SLAM アルゴリズムの研究のホットスポットです。
3.1 フィルタ推定に基づく SLAM アルゴリズム
フィルタリング理論に基づく SLAM アルゴリズムは主にベイジアン推定の原理を使用し、カルマン フィルターに基づく SLAM アルゴリズムと粒子フィルターに基づく SLAM アルゴリズムに分けることができます。
拡張カルマン フィルターに基づく SLAM アルゴリズムは、非線形運動モデルと観測モデルを線形化することで SLAM を実現しますが、このプロセスでは線形化誤差、低いロバスト性、低い計算効率が発生します。JULIER らは、非線形システムに対してアンセンテッド変換を実行するアンセンテッド カルマン フィルター法を研究しており、その精度は拡張カルマン フィルター法よりも高くなっています。
粒子フィルター法では、特定の数の重み付き粒子を使用して状態の事後確率分布を表し、非線形および非ガウス システムに使用できます。MURPHY らは、拡張カルマン フィルター アルゴリズムと粒子フィルター アルゴリズムを使用してロボットの位置補正と位置推定の問題を解決する RBPF (Rao-Blackwellized 粒子フィルター) アルゴリズムを提案し、アルゴリズムの計算量を大幅に削減します。Fast-SLAM は、マップの精度を向上させる RBPF ベースの SLAM アルゴリズムです。GRISETTI らは、センサー情報モデルを検討し、妥当な粒子タイプを維持するために適応リサンプリング技術を使用し、粒子劣化問題を改善するために、以前の方法よりも 1 桁少ない粒子数を使用して高精度マップを生成する gmapping を提案しました。 . レーザーSLAMのマイルストーンです。
3.2 非線形最適化に基づく SLAM アルゴリズム
グラフ最適化アルゴリズム フレームワークは LU らによって提案され、現在最も広く使用されている SLAM フレームワークの 1 つです。図 7 に示すように、グラフ最適化アルゴリズム フレームワークは、キー ノードを維持することで最適化の目的を達成し、精度を確保しながら計算量を大幅に削減します。グラフ最適化に基づくアルゴリズムは、最小二乗ベースの最適化、緩和ベースの最適化、確率的勾配降下ベースの最適化、および多様体最適化の 4 つのタイプに分類できます。KONOLIGE らは、2D 姿勢グラフ用の Karto SLAM オープンソース ソリューションを提案しました。これは、フィルタリング理論に基づく SLAM ソリューションをある程度置き換えるものですが、リアルタイム性能は劣っています。Cartographer は、マルチ センサー データを融合してローカル サブマップを作成し、グローバルな最適化にサブマップ マッチング アルゴリズムを使用します。高効率で堅牢性の高い 2D および 3D 点群マップを構築できます。欠点は、大量のコンピューティング リソースを消費することです。リソースが不足している場合、通常のループバックができない可能性があります。
非線形最適化問題には、すでに成熟した C++ オープン ソース ライブラリが存在します。たとえば、Goole オープン ソース ライブラリ Ceres Solver、グラフ最適化に基づくオープン ソース最適化ライブラリには、iSAM (増分スムージングとマッピング)、GTSAM (ジョージア テック スムージングとマッピング)、G20 などがあります。 (一般的なグラフ最適化)、BA (バンドル調整) など、これらの最適化ライブラリの助けを借りて、バックエンドで最適化値を反復的に解決する時間を節約できます。
04 深層学習に基づく 3D レーザー SLAM アルゴリズム
ディープラーニングに基づく手法はデータ駆動型で学習するため、手動で設計するよりも正確なモデルを取得できます。SLAM とディープ ラーニングの組み合わせは、主に、フレーム間推定、閉ループ検出などの従来の SLAM フレームワークの 1 つまたは複数のリンクにディープ ラーニングを適用して、SLAM の効率、精度、堅牢性を向上させることです。表 1 に、フレーム間推定と閉ループ検出を実現する学習アルゴリズム、または深層学習を使用して意味情報を抽出し、セマンティック SLAM でセマンティック マップを構築してロボットの自律的な理解能力を向上させる機能の学習アルゴリズムを示します。
バックエンドアルゴリズムは線形フィルタリングから非線形最適化へと徐々に発展しており、その中でも、ファクターグラフ最適化とスライディングウィンドウの組み合わせは、優れたリアルタイム性とロバスト性により、さまざまなフュージョン測位およびマッピングシステムで広く使用されています。
4.1 フレーム間推定
幾何情報近接戦略に基づく以前のスキャンマッチングアルゴリズムと比較して、深層学習に基づくフレーム間推定方法は優れた性能を持っています。ただし、データが希薄で計算コストが高いため、従来の畳み込みモデルを点群に直接適用することはできません。一般に、深層学習を使用してフレーム間推定を実装するには 2 つの方法があります。
1) 特徴学習に基づく点群登録手法
例：GMM(ガウス混合モデル)、3DFeat-Net、FCGF(完全畳み込み幾何学的特徴)、Siamese-PointNet(シャムポイントネットワーク)、UGMMReg(統合ガウス混合モデル登録)；
2) エンドツーエンドディープネットワークモデルに基づく点群登録方式
DeepGMR(ディープガウス混合登録)、3DRegNet(3D登録ネットワーク)、MLP_GCN(多層パーセプトロングラフ畳み込みネットワーク)、IPCR(反復点群登録)など。
既存の多くの実験では、レジストレーションの数学的理論を直接適用すると膨大な計算時間がかかり、深層学習を直接適用しても精度が保証できないことが示されています。深層学習と ICP を直接組み合わせるには、依然として長い計算時間が必要です。従来の数学理論とディープ ニューラル ネットワークをエンドツーエンドのフレームワークに統合して高精度と効率を実現することが、今後の研究の方向性となります。
4.2 閉ループ検出
従来の閉ループ検出は主に手動で選択された特徴を使用しますが、精度が低く、計算量が膨大です。従来の人為的に設計された特徴量と比較して、ディープラーニングは、多数の学習トレーニングと合理的なネットワーク構築を通じて、分類に依存しない要素の影響を受けにくく、高い識別力を持つ特徴量を効率的に抽出できます。
近年、深層学習に基づくループ閉塞検出アルゴリズムが徐々に開発されています。PointNetVLAD (PointNet および NetVLAD) は、PointNet を使用してローカル フィーチャを抽出し、NetVLAD を使用してグローバル フィーチャを集約し、3D 点群からエンドツーエンドでグローバル記述子を抽出します。DH3D (ディープ階層 3D) は、元の 3D 点群からローカル フィーチャを学習し、アテンション メカニズムを使用してこれらのフィーチャをグローバル フィーチャ記述子に集約します。KOMOROWSKI は、代替点群表現とネットワーク アーキテクチャである MinkLoc3D に基づいたグローバル点群記述子抽出方法を提案しました。は、ピラミッド ポイント トランスフォーマー モジュールを使用してローカル フィーチャの区別を強化し、グローバル記述子を生成する、ピラミッド ポイント クラウド トランスフォーマー ネットワーク PPT-Net (ピラミッド ポイント クラウド トランスフォーマー ネットワーク) を提案しました。FastLCD (高速かつコンパクトなループ クロージャ検出方法) は、生の点群スキャンからマルチモーダル フィーチャを直接抽出し、それらを回転に対して不変のグローバルな包括的な記述子にエンコードします。NDT-Transformer は、大規模な点群に対して軽量に処理された NDT ユニットのグローバル記述子を学習することにより、ループ閉鎖検出を実行します。ZHOUらは、ローカル3D深度記述子に基づく閉ループ検出方法を提案しており、これは新しいオーバーラップ計算方法を通じて閉ループを検出し、より高い精度を実現します。Overlap-Transformer は、ループ クロージャ検出用の深度画像に基づいてグローバル記述子を構築する軽量の Transformer ニューラル ネットワークです。
画像特徴記述子 (SIFT (スケール不変特徴変換) など) の驚くべきパフォーマンスと高い成熟度により、画像ベースのループ閉包検出は急速に発展しましたが、3D 点群データに対して同様に成熟した方法はありません。記述子はクラウドで抽出され、取得タスク用のグローバル記述子としてエンコードされます。深層学習ベースの記述子でも画期的な結果が得られていますが、大量のトレーニング データが必要になるという重大な制限があり、そのため、これらの方法をトレーニングして異なる地形や異なる条件下で取得したデータに適用する場合には適用できません。 GPU は、精度を維持しながら軽量なネットワーク構造の探索とリアルタイム パフォーマンスの追求が現在の研究のホットスポットです。
幾何学的特徴は、過酷な環境で正確な閉ループ検出を保証することが困難ですが、セマンティック情報は環境要因の影響を受けにくく、長期的に安定した特徴です。意味情報に基づく方法は、長期安定した測位システムを構築し、閉ループ検出を実現することができます。GOSMatch (グラフ オブ セマンティクス マッチング) は、シーン内のセマンティック オブジェクトを使用して閉ループを検出し、セマンティック オブジェクト間の空間関係をエンコードしてグローバル記述子とローカル記述子を構築して閉ループ検出を実行します。は、セマンティック情報とスキャン コンテキストを組み合わせ、ループ閉鎖検出を達成するために 3 段階の検索方法を使用する 3D レーザー データに基づくグローバル ディスクリプタ SSC (セマンティック スキャン コンテキスト) を提案しました。Zhang Jianhuaらは、ループ閉鎖検出の効率を向上させるために、点群セグメントマッチング制約に基づく方法を提案した。RINet (回転不変ニューラル ネットワーク) は、意味論的特徴と幾何学的特徴を組み合わせた回転等変グローバル記述子を設計しました。これにより、記述能力が向上し、回転不変ツイン ニューラル ネットワークを通じて記述子ペアの類似性が予測されます。
4.3 セマンティックセグメンテーションとセマンティックマップ
静的環境を前提とする従来の SLAM 方式とは異なり、セマンティック SLAM は、オブジェクトの可動プロパティを予測し、類似したオブジェクト表現を共有し、共有知識ベースを維持することで SLAM システムのスケーラビリティとストレージ効率を向上させることができ、複雑なシナリオに対処できます。インテリジェントな経路計画を実現します。セマンティック SLAM の鍵は対象物体を正確に認識することにあり、ディープラーニング技術は現在最も可能性が高く有利な物体認識方法であるため、ディープラーニングとセマンティック SLAM の組み合わせが広く注目を集めています。セマンティック SLAM 研究では、主にセマンティック情報を使用して位置決めを支援し、セマンティック マップを構築し、セマンティック特徴抽出と動的オブジェクト除去を通じて SLAM アルゴリズムの堅牢性と位置決め精度を向上させ、高度なセマンティック情報を通じてロボットと人間とコンピューターの相互作用に高レベルのセマンティクスを提供します。ロボットの自律的な理解を向上させます。
3D点群の意味的シーン理解はロボットや無人運転の分野で幅広い応用要件を有しており、解決が急務な課題でもあり、3D点群に基づく物体検出や意味的セグメンテーション手法が数多く提案されている。 。3D 点群の幾何学的分類、ターゲットの検出と追跡、およびセマンティック セグメンテーションとインスタンス セグメンテーションを含む点群セグメンテーションなどについて、GUO らは包括的なレビューを行っています。
3D 点群は無秩序で、まばらで、非構造化されているため、このような非構造化データを処理するには、通常、点群は 3D ボクセル グリッドまたは 2D 投影の構造化された形式に変換されるか、入力点群に新しい定義が適用されます。手術。先駆的な作品である PointNet は、スケール変換を使用して 3D 点群入力を統合し、Max Pooling 操作を通じて点群の乱れの問題を解決し、3D 畳み込みニューラル ネットワークを直接使用して 3D 点群の特徴抽出とセマンティック セグメンテーションを実行できます。これに基づいて、深い特徴を階層的に学習し、ローカルモデル構造の能力を強化するために、PointNet++ と PointCNN が提案されています。WANGらによって提案されたグラフアテンション畳み込みネットワークGACNet(グラフアテンションコンボリューションネットワーク)は、点群に対する構造化特徴学習をエンドツーエンドで実行できます。大規模な 3D 点群に対して、HU らは効率的で軽量なニューラル ネットワーク アーキテクチャ RandLA-Net (ランダム サンプリング ローカル特徴集約ネットワーク) を提案し、FAN らは点群セマンティック セグメンテーション ネットワークを実現するための空間コンテキスト特徴学習モジュールを提案しました。アーキテクチャ SCF-Net (空間コンテキスト フィーチャ ネットワーク)。LAF-Net (ローカル アテンション フュージョン ネットワーク) は、低次元の特徴と高次元の意味情報を適応的に融合できるローカル アテンション フュージョン モデルです。PointNet++ に基づく DSPNet++ (ディープ スケール ピュリファイア ネットワーク ++) は、セルフ アテンション メカニズムに基づく特徴抽出モジュールであり、エンドツーエンドの点群セグメンテーションのために元の点群を直接処理します。
これらのポイントベースの手法は、情報を失うことなく元の点群に直接適用されますが、ほとんどの手法では近接検索メカニズムが必要です。これにより、これらの手法の効率が本質的に制限され、計算量が多くなり、リソースに制約のある環境での展開が不可能になります。環境、デバイス上。
距離画像に基づいて、RangeNet++ は畳み込みニューラル ネットワーク (CNN) を通じてセマンティック セグメンテーションを実現し、RangeSeg (範囲認識リアルタイム セグメンテーション) は正確なインスタンス レベルのセグメンテーション結果を取得します。3D 点群をより適切に処理し、点密度の不均一性やボクセル化ステップでの情報損失などの制限を克服するために、(AF)2-S3Net はエンドツーエンドのエンコーダー/デコーダー 3D スパース CNN を設計します。FIDNet (完全補間デコーディング ネットワーク) は、投影ベースの LIDAR 点群セマンティック セグメンテーション用に新しいニューラル ネットワークを設計しました。さまざまなビューを活用するために、マルチビュー融合法に基づいて、RPVNet (距離-点-ボクセル融合ネットワーク) が新しい距離-点-ボクセル融合ネットワークを設計しました; ハイブリッド CNN-LSTM (ハイブリッド畳み込みニューラル ネットワークと長短期記憶）は、空間コンテキストと時系列情報を組み合わせて、CNN ネットワーク プーリング層の詳細損失の欠点を解決し、効率的な点群特徴処理方法と新しいニューラル ネットワーク構造で構成されます。LIUらは、弱教師付きマルチタスク3D点群理解のための統一フレームワークであるWeakLabel3D-Net、点群の局所的な幾何学的特徴に基づく教師なしクラスターの生成、および学習ベースのクラスターレベルの類似性予測ネットワークを提案した。
これらの手法は最先端のパフォーマンスを実現しますが、点群を構造化された形式に変換する定量化により幾何学的情報の損失が避けられず、大規模な点群を扱う場合には大量のリソース消費が発生します。LIDAR 点群のセマンティック セグメンテーションを確実かつ迅速に実現できるモデルを設計する方法は、依然として未解決の問題です。
意味マップの構築に関しては、Recurrent-OctoMap アルゴリズムは意味特徴を統合した意味マッピング手法であり、リカレント ニューラル ネットワークと単一フレームの意味検出を使用して、長期の意味マップを柔軟に維持できます。SuMa++ は SuMa アルゴリズムの拡張メソッドであり、完全畳み込みニューラル ネットワークを使用して意味情報を効果的に抽出し、意味情報を表面要素ベースのマップ表現に統合します。SA-LOAM (セマンティック支援 LOAM) は、LOAM に基づくセマンティック支援レーザー SLAM アルゴリズムです。オドメーターとループ閉鎖検出のセマンティック情報を使用して測位精度を向上させ、ループ閉鎖検出を効果的に実行できます。グローバルな構築が可能です。一貫したセマンティック マップ、KITTI シーケンス 13 でのセマンティック セグメンテーションの結果を図 8 に示します。現在の完全なセマンティック支援レーザー SLAM システムは、さらなる探索と試みの価値があります。
05 マルチセンサーフュージョンに基づく 3D レーザー SLAM アルゴリズム
環境観測情報の取得方法はセンサーごとに異なり、単一のセンサーでは限界があるため、表 2 に単一のセンサーの長所と短所を比較します。
すべてのシナリオで単一のセンサーが独立してグローバル マップの構築を完了することはできませんが、複数のセンサーを融合することで単一センサーの制限を解決し、より正確で効率的で適応性のある SLAM 効果を得ることができます。異なるモーダル センサーによって取得されたデータにより、形式が異なります。マルチモーダル データの処理と強化は、依然として現在のマルチセンサー フュージョン ベースの 3D レーザー タスクの鍵です。
5.1 LIDARと慣性計測ユニットの融合
LIDAR と慣性計測ユニット (IMU) の融合により、LIDAR の低い垂直解像度、低い更新レート、およびレーザー SLAM プロセスの動きによって引き起こされる歪みの問題を克服できます。LIDAR と IMU の融合には、密結合と疎結合の 2 つの方法があります。密結合は、すべての計測データを共同で最適化することで、複雑で変化する環境において正確な姿勢推定を取得するものですが、計算量が多く、リアルタイム性が低いなどの問題があります。疎結合は各センサーの計測データを個別に処理して融合する方法で、計算量が少なく実装が容易ですが、位置決め精度に限界があります。
HDL-Graph-SLAM アルゴリズムは、IMU、LiDAR センサー、GPS (全地球測位システム) 情報などのさまざまな入力を、低リソース消費と高精度で組み合わせます。Li Shuixinらは、LiDAR/IMUと密結合したリアルタイム測位方式Inertial-LOAMを提案し、これにより連続的な位置合わせ誤差によって引き起こされる誤差の蓄積を大幅に削減し、測位精度とリアルタイム性能を向上させた。YEらは、LiDAR-IMUの密結合LIOマッピングアルゴリズムを研究し、マッピング精度を向上させましたが、密結合アルゴリズムの複雑さは高く、後の段階で他のセンサーを融合することが困難です。ZHAOらは、密結合したレーザー慣性LIOM（レーザー慣性オドメトリおよびマッピング）アルゴリズムを研究し、低ドリフトとロバスト姿勢推定を実現した。LeGO-LOAM に基づいた LIO-SAM (スムージングとマッピングによる LiDAR 慣性走行距離測定) アプリケーション係数グラフ フレームワークは、IMU 事前統合係数、レーザー走行距離計係数、GPS 係数、および閉ループ検出係数を統合して、より優れた精度と実測値を取得します。時間、低ドリフト。Liらは、ソリッドステートライダーとIMUの結合スキームを研究し、リアルタイムレーザー慣性オドメトリおよびマッピングのための新しいセンサーフュージョン方式LiLi-OM（livox LiDARオドメトリおよびマッピング）を提案しました。
FAST-LIO (高速 LiDAR 慣性オドメトリ) は、LiDAR と IMU の測定を密結合し、高速カルマン ゲイン公式を使用して測定次元から状態次元までの計算の複雑さを軽減し、計算効率が大幅に向上しますが、システムは小規模な環境での作業に使用されます。FAST-LIO2は、FAST-LIOの密結合融合フレームワークを継承し、開発されたikd-tree（インクリメンタルkdツリー）データ構造により、計算量を大幅に削減し、走行距離計や地図描画の精度と堅牢性を向上させています。アルゴリズムのブロック図を図 9 に示します。FAST-LIO2 に基づいて、Faster-LIO は点群空間データ構造としてインクリメンタル ボクセルを使用し、ソリッドステート LIDAR で使用できる軽量の密結合 LIDAR 慣性オドメトリを実現します。LINS (LiDAR-inertial-SLAM) アルゴリズムは、世界を中心とした固定グローバル フレームの状態推定量を使用する密結合法とは異なり、移動するローカル フレームの状態推定量を表すためにロボット中心公式を使用します。反復エラー状態を設計します。カルマン フィルターにより、LIDAR と IMU の密結合が可能になります。この方法は、特徴のないシナリオなど、さまざまな困難なシナリオでも堅牢で効率的なアルゴリズムのパフォーマンスを実現できます。アルゴリズムのブロック図を図 10 に示します。図 11 は、レーザー慣性結合 SLAM の代表的な結果を示しています。
要約すると、レーザーと慣性の密結合研究は、主に LIDAR と IMU の密結合を通じてマッピングの精度、効率、堅牢性を向上させます。しかし、現在の LIDAR と IMU の共同校正方法はまだ未熟です。
5.2 LiDAR とビジョンフュージョン
レーザー SLAM は、ローカル測位精度は高いが、全地球測位能力が低く、環境特徴の影響を受けにくい一方、ビジュアル SLAM は、全地球測位能力は優れていますが、ライダーと比較してローカル測位が劣ります。この 2 つの融合により、SLAM システムの精度と堅牢性が向上します。 。
ZHANG らは、視覚と LIDAR オドメトリを組み合わせた一般的なフレームワーク V-LOAM (ビジュアル LOAM) を研究しました。図 12 に示すように、ビジュアル オドメトリは速い動きを処理するために使用され、LIDAR オドメトリは、照明条件が悪い場合でも低いドリフトを保証します。アルゴリズムの結果は、ドリフトが低く、堅牢で、高速です。このアルゴリズムは、KITTI データセットの平均平行移動および回転誤差ベンチマーク テストで長い間トップの座を占めてきましたが、閉ループ検出とデータセットの全体的な一貫性は考慮されていません。屋外の長距離環境でのポーズトラックとマッピング。LVI-SAM (スムージングとマッピングによる LiDAR 視覚慣性走行距離計) は、視覚慣性システムとライダー慣性システムで構成される、密接に結合されたライダー視覚慣性走行距離計 SLAM フレームワークです。高精度地図、リアルタイム 高精度、高堅牢性。SuperOdometry は、IMU 中心のデータ処理パイプラインを使用する高精度のマルチモーダル センサー フュージョン フレームワークであり、疎結合方法と密結合方法の利点を組み合わせて、知覚的に劣化した環境でも堅牢な状態推定を実現します。R2 LIVE (堅牢、リアルタイム、LiDAR-慣性-視覚密結合状態推定およびマッピング)、R3 LIVE (堅牢、リアルタイム、RGB カラー、LiDAR-慣性-視覚密結合状態推定およびマッピング) の融合LiDAR、IMU、およびビジョンセンサーの測定は、多数の移動物体と狭い LiDAR 視野がある狭いトンネルのような環境であっても、さまざまな困難な状況において堅牢かつ正確な状態推定を実現するために使用され、十分な堅牢性を備えています。表 3 に、LIDAR、慣性測定ユニット、ビジョン センサーを融合するためのアルゴリズムをいくつか示します。
5.3 LIDAR と他のレーダーの融合
FRITSCHE et al.は、スモッグ、霧、塵などによる視界の悪い過酷な環境に対処するためにミリ波レーダーとライダーを組み合わせ、ミリ波レーダーとライダーのデータの二分決定融合法と加重融合法を研究し、スキャンの研究を行った。レベルおよびマップ レベルでのデータ融合の実現可能性。CHAVEZ-GARCIA らは、カメラ、ミリ波レーダー、ライダーをベースにしたマルチセンサー融合スキームを研究し、まずライダーとカメラの画像情報を使用して人や車両を検出し、次にレーダーの検出情報を融合して、静止ターゲットと移動ターゲットを区別してターゲット検出を実現し、追跡により誤検出の可能性が低くなります。KIMらは、カメラ、ミリ波レーダー、ライダー、GPSをベースにした融合方式を提案しており、まずカメラとライダーを使用して地図を構築し、次にGPSを使用して車両位置を決定する。レーダーによって検出されたターゲットの動きデータは、マップ内の環境情報を更新するために使用されます。崔偉傑氏は、アルゴリズムの主要フレームワークとしてGoogleのCartographerアルゴリズムフレームワークを選択し、ミリ波レーダーとライダーデータの長所と短所を総合的に検討し、両者のデータを統合して、より環境適応性の高いSLAMアルゴリズムを実現した。
06 3DレーザーSLAMアルゴリズムの開発動向
6.1 マルチソース情報の融合
前述したように、単一センサーには一定の制限があり、すべてのシナリオで SLAM アルゴリズムを満たすことはできません。単一センサーの欠点を補うために、国内外の学者は高精度で堅牢な地図を得るためにさまざまなマルチセンサー融合スキームを研究してきました。その一部にはIMUと融合したものや、IMUと融合したものもあります。 M-LOAM（マルチLiDAR LOAM）のような複数のライダーの融合もあり、さまざまな融合スキームに基づく多くのSLAMアルゴリズムが提案されており、多くの実績を持っています。しかし、関連する研究は依然として 3D レーザー SLAM アルゴリズムの研究ホットスポットおよび開発トレンドの 1 つであり、これには融合レベルの探索、堅牢な適応性とリアルタイムのオンライン マルチセンサーの包括的なキャリブレーション、時間同期方法の開発、および一般的な堅牢な幾何学的アルゴリズムが含まれます。特徴抽出、データ関連付け、結合方法など。同時に、点群に基づく深層学習手法と非線形結合最適化に基づくアルゴリズムにより、マルチソース情報融合技術の開発が加速されます。
6.2 ディープラーニングとの組み合わせ
3D レーザー SLAM アルゴリズムと深層学習の組み合わせは、動作効率と堅牢性を向上させることができ、その研究方向性には、特徴抽出とマッチング、セマンティック SLAM、深度推定、再局在化などが含まれており、依然として研究のホットスポットです。SLAMの分野では、ますます多くの深層学習技術と成果が適用され、多くの関連研究が行われていますが、現段階では、深層学習に基づくSLAMには明らかな限界があり、深層学習によって構築されたモデルには直感的な物理的機能が欠けています。意味; 第二に、ディープラーニング技術は多くの場合、大量のトレーニングデータを必要とし、初期トレーニング期間が長くなります; SLAM とディープラーニングを組み合わせるには通常、GPU が必要ですが、限られたコンピューティングリソースの条件下では適用できません。
6.3 アプリケーションシナリオの堅牢性
ロボット技術の急速な発展と応用分野の継続的な深化に伴い、地上/空中ロボット、自動車/AGV自動運転、その他の分野を含む、オープンで複雑でダイナミックなシーンなど、対応する応用シナリオも常に充実し、拡大しています。したがって、ますます多くのアプリケーション環境の細分化がまだ活用されていません。SLAM アルゴリズムは、さまざまなアプリケーション シナリオで異なるパフォーマンスを発揮します。たとえば、屋内環境では、LOAM アルゴリズムにはジョイント最適化が欠けており、リアルタイムの姿勢推定誤差が大きくなります。π-LSAM (LiDAR 平滑化および平面によるマッピング) は LOAM を改善し、ジョイントを導入しますバックエンドおよびディスプレイでの最適化 最適化アルゴリズムの計算の複雑さを軽減するため。
照明の変化、激しい動き、オープンスペースやテクスチャのないシーンなど、複雑で変化しやすいいくつかの困難なアプリケーション シナリオに直面して、アルゴリズムの堅牢性を向上させるために、長期にわたって堅牢で安全なアルゴリズムを開発する必要があります。マルチロボットなどの多くの側面。システム内での全地球測位と目標検出、軌道の最適化とグローバルで一貫したマップの作成方法、および動的シーンまたは大規模シーンの環境マップ構築方法を改善する必要があります。同時に、3D レーザー SLAM アルゴリズムは、ステレオ マッチング、3D シーンの再構成、仮想現実などの最先端のコンピューター アプリケーションでも重要な役割を果たします。
6.4 一般的なフレームワークとマップ表現の探索
3D レーザー SLAM フレームワークの多用途性の探求も研究のホットスポットです。既存の 3D レーザー SLAM アルゴリズムの多くは LOAM フレームワークに従っています。IMLS-SLAM アルゴリズムはフレームとモデルのマッチング フレームワークを記述しています。F-LOAM (高速 LiDAR オドメトリおよびマッピング) ) は、特徴抽出、歪み補償、姿勢最適化、マッピングを組み合わせた一般的なフレームワークを提案しています。セマンティック マップなどのより優れたマップ表現により、ロボットの自律的な理解が大幅に向上し、3D レーザー SLAM アルゴリズムの堅牢性と精度も向上します。
6.5 センサーと無線信号システム技術の影響
高性能で極めて低コストのソリッドステート LiDAR は、ロボット産業を促進または変革する可能性があり、注目を集めています。たとえば、LIN と ZHANG は、堅牢でリアルタイムで実行される、狭い視野と不規則サンプリングのソリッドステート LIDAR に適した SLAM アルゴリズム フレームワークである Loam Livox を研究しました。ハードウェアのパフォーマンスと通信機能の継続的な改善に伴い、SLAM技術の組み込み実装、モバイルデバイスセンサーと無線信号システム技術の参加は、必然的に3DレーザーSLAMアルゴリズムの開発に影響を与えます。たとえば、専用プロセッサ (HoloLens HPU など) と統合機能モジュール (Tango モジュールなど) は、既存のハードウェア プラットフォームのコンピューティング能力のボトルネックとアルゴリズムのデバッグしきい値を大幅に削減します。
07 結論
SLAM アルゴリズムは、移動ロボットが未知の環境マップを構築し、姿勢情報を取得して自律移動を実現するための有効な手段であり、ロボットが経路計画、自律探索、ナビゲーションなどのタスクを実行するのを支援できます。低コスト、低消費電力、高信頼性のアプリケーションへの 3D LIDAR の開発により、3D LIDAR SLAM アルゴリズムの研究は豊富な成果と応用例を達成しました。この論文は、SLAM アルゴリズムの古典的なフレームワークから出発して、レーザー SLAM におけるフロントエンド、バックエンド、深層学習、およびマルチセンサー フュージョンの研究状況を要約および分析し、現在の主流の 3D レーザーの原理を体系的に説明します。 SLAM アルゴリズムとその既存の問題点と欠陥 3D レーザー SLAM アルゴリズムの研究ホットスポットと開発傾向について説明します。
SLAM は、ハードウェア モデルの構築からシステム統合に加え、リソース割り当て、データの最適化、マルチスレッド実行の各リンクでのマッピングと位置決めの精度など、学際的なアルゴリズムとシステム エンジニアリングを組み合わせたものであり、バランスと統合が必要です。モジュールとハードウェア マッチングのアップグレード、シナリオやアプリケーションの強化と拡張はすべて、3D レーザー SLAM アルゴリズムの開発に影響を与えます。マルチソース情報の融合、ディープラーニングとの組み合わせ、動的シナリオやその他のシナリオの応用と拡張、SLAMアルゴリズムの一般的な枠組み、SLAMアルゴリズムの組み込み実装、モバイルセンサーと無線信号システムの技術的参加に関する研究は、3D LIDAR SLAMの研究ですアルゴリズムのホットスポットと開発トレンド。
1. 自動運転における9つのセンサーフュージョンアルゴリズム
2. グローバル特徴記述子に基づくレーザー SLAM ループ閉鎖検出方法
3. 書籍の推奨 - 「UAV Swarm Network: モデル、プロトコル、およびシステム」