机器人构建地图不得不面对的问题——大场景下的地图构建与闭环

開篇前試想這樣兩個場景：

在一個相對較小的地方（如房間），讓你快速找某個東西，是不是很容易，很清楚自己在哪里，要怎么拿到他。

然后，把你放到一個大場景（如商場），在不熟悉的情況下，是不是有點慌？

這兩個場景的典型區(qū)別就在于場景的大小不同，需要人處理的信息量不同。同理，機器人在初次面對的時候也會有點慌。但其實，只要清楚他的“地圖構(gòu)造”，再大的場景也不是問題。

目前，雖然即時地圖構(gòu)建和導(dǎo)航技術(shù)已經(jīng)日益成熟,但是大規(guī)模場景下較大的環(huán)境面積及復(fù)雜的場景結(jié)構(gòu)給地圖構(gòu)建帶來了較大挑戰(zhàn)。甚至在有些人眼里，這是工作量巨大的，繁瑣的、構(gòu)建不準(zhǔn)確的……但其實，思嵐科技的技術(shù)可以輕松完成10w+㎡場景下的地圖構(gòu)建，邊走邊建圖，無需預(yù)先探明地圖。

比如，這樣的：

這樣的：

以及這樣的：

一個典型的商用場景特征如下：

針對大場景的地圖構(gòu)建，如果使用激光雷達配合SLAM算法進行建圖的話，首先需要使用較遠(yuǎn)測距半徑的激光雷達傳感器。目前為了適應(yīng)上述的商用場景，行業(yè)內(nèi)會使用測距半徑在16米以上的激光雷達產(chǎn)品，而比較理想的測量半徑是25米，從而保證能夠應(yīng)對各類極端條件。

除了保障傳感器的測距半徑符合環(huán)境需求外，SLAM算法還需要具備閉環(huán)檢測能力。比如有些場景，長走廊和環(huán)路較多，相似的場景也很多，在SLAM過程中難以形成有效的全局匹配參考，從而很容易導(dǎo)致局部區(qū)域累計誤差無法及時清除，進而導(dǎo)致回環(huán)閉合問題。如下圖：

| 由于環(huán)境場景大且多為長直走廊，導(dǎo)致SLAM建圖中容易出現(xiàn)環(huán)路閉合失敗的情況

為了解決上述問題，行業(yè)內(nèi)的普遍做法有兩種：

1.采用粒子濾波的SLAM方法

使用多張平行存在的候選地圖（粒子）同時進行地圖構(gòu)建，并且時刻挑選出其中概率上更加符合真實情況的地圖作為當(dāng)前結(jié)果。由于不同的粒子之間建立的地圖存在區(qū)別，因此從概率上看，當(dāng)機器人在環(huán)境中行走完一個環(huán)路后，眾多粒子中存在閉環(huán)地圖的可能性相比傳統(tǒng)單一建圖的模式要高很多。因此這種方法可以一定程度的解決閉環(huán)問題。

| 采用rbpf(Rao-Blackwellized particle filters)的SLAM算法

采用粒子濾波的SLAM算法因其可以非常有效的規(guī)避因為局部噪聲導(dǎo)致的建圖失效問題，曾一度成為行業(yè)內(nèi)激光SLAM方式的主流方案。然而，這種方式的SLAM算法，由于系統(tǒng)參數(shù)和傳感器觀測等存在不確定性，先天存在資源消耗大的缺點。

以rbpf-slam為例，實際應(yīng)用中為了保證較好的魯棒性，需要維持幾十個粒子數(shù)據(jù)，每個粒子中都包含了一張當(dāng)前正在構(gòu)建的環(huán)境地圖信息。這樣無疑增加了SLAM算法的內(nèi)存消耗。同時，每當(dāng)新的傳感器數(shù)據(jù)進入，要對地圖進行更新迭代時，算法需要對每個粒子數(shù)據(jù)都進行相同的匹配計算和數(shù)據(jù)更新，這也加重了運算負(fù)擔(dān)。進一步的，粒子濾波的SLAM方式雖然可以大幅度改善回環(huán)閉合問題，但從原理上看它并不能真正意義上解決閉環(huán)問題。對于特殊的環(huán)境下，使用粒子濾波SLAM可能會將粒子收斂到錯誤的方向，導(dǎo)致建圖失敗。

| 正確的地圖構(gòu)建(左)和當(dāng)粒子濾波收斂失敗得到的錯誤地圖（右）

2.基于圖優(yōu)化的SLAM方式

基于圖優(yōu)化的SLAM（(Graph-SLAM)）方法，由于采用了全局優(yōu)化處理方法，能夠有效的解決建圖閉環(huán)，獲得更好的建圖效果，獲得行業(yè)廣泛關(guān)注。

| 基于圖優(yōu)化的SLAM框架

相比于rbpf-slam每次直接將傳感器數(shù)據(jù)更新進入柵格地圖進行構(gòu)建的做法，Graph-SLAM存儲的是地圖構(gòu)建過程中機器人位姿變化的拓?fù)涞貓D信息，以及諸如臨近數(shù)據(jù)和閉環(huán)點等數(shù)據(jù)。

| Graph-SLAM編碼了機器人在SLAM過程中的位姿變化拓?fù)涞貓D，相關(guān)的拓?fù)湫畔ⅲ纾洪]環(huán)、重合數(shù)據(jù)也得到了編碼

而當(dāng)機器人在建圖中出現(xiàn)了新的回環(huán)后，Graph-SLAM可依賴內(nèi)部的拓?fù)鋱D進行主動式的閉環(huán)檢測，當(dāng)發(fā)現(xiàn)了新的閉環(huán)信息后，Graph-SLAM使用Bundle Adjuestment(BA)等算法對原先的位姿拓?fù)涞貓D進行修正（即進行圖優(yōu)化），從而能有效的進行閉環(huán)后地圖的修正。因此相比與粒子濾波SLAM方式，Graph-SLAM可以實現(xiàn)更加可靠的環(huán)境建圖。

| Graph-SLAM在檢測到原先地圖（左）存在可能得閉合路徑后，對拓?fù)鋱D進行修正從而得到正確的環(huán)境建圖（右）

目前，SLAMWARE已經(jīng)采用了最新的圖優(yōu)化方式，配合激光雷達逐漸在商用復(fù)雜環(huán)境中開始使用。未來，面對機器人應(yīng)用場景的不斷拓展，建圖技術(shù)必然還會遇到更多的問題，而這些，是未來思嵐科技需要和行業(yè)一起，共同攻克的問題。