grandaunt slam _「广东龙网」

二十余年来，同时定位与建图（Simultaneous Localization And Mapping，SLAM）在移动机器人技术社区中一直是一个非常受欢迎的话题。SLAM有很多应用，例如空间探索和自动驾驶等。近几年来，在汽车制造商的参与下，对智能汽车的关注进一步推动了SLAM的研究工作。
全球导航卫星系统（Global Navigation Satellite System，GNSS）可用来解决定位问题，但并不充分，即使使用定位完美的基站，经典GNSS解决方案的精度有所提高，可用性也仍然是一个问题。这是因为卫星信号受到难以预测的大气条件的影响。此外，基础设施可能会阻止信号的直接接收，并产生多径干扰或非视距接收，这会对所提供的位置产生灾难性的影响。同时，这种信号衰减很难检测，通常会导致其不完整性，并难以恢复。这些问题，在高层建筑区域或者密集城市地区更为常见。而在开阔的道路上，GNSS通常会表现较好。
自动驾驶定位的另一种经典方法是利用道路基础设施（如道路标记或道路检测设备）来引导车辆驶入车道。高级驾驶辅助系统（Advanced Driving Assistance System，ADAS）已在商用汽车中集成了车道标记检测算法。尽管这种方法主要限制了车辆的横向位置，但是对于容易识别道路的环境（如高速公路）已经足够。然而，在复杂的环境（主要是城市的交叉路口、弯曲的道路等）中，其还不能提供足够的道路信息来进行车辆定位。此外，汽车沿纵向轴线行驶所需的位置精度更加重要，通常需要冗余的定位信息，以构建安全的系统，并确保汽车在行进中的行为一致。因此，自动驾驶应考虑不同的定位方式。
通常，车辆定位是执行任何其他感知或规划任务的基本功能。预测道路上的其他障碍物，并选择最合适的操纵方法，需要准确了解车辆自身的位置，以及在随后的几秒钟内它将如何演变。为此，SLAM框架提供了答案，同时仍然保持足够的通用性，可使用任何传感器技术，同时估计车辆位置和地图定位。当把自动驾驶作为一个整体考虑时，地图非常重要，因为它提供了决策所需的第一层感知。
通常，将SLAM问题视为真正实现自动驾驶机器人的关键问题之一。因此，SLAM技术也是自动驾驶汽车的核心技术。然而，很多问题使得SLAM算法无法让车辆在非常不同的条件下行驶数百公里。处理自动驾驶汽车的SLAM，主要面临如下两个主要问题：

定位会随时间漂移。
地图不一定能满足所有驾驶条件。

第一个问题在SLAM社区中众所周知，随着汽车行进距离的增加，SLAM算法给出的定位估计会使汽车偏离真实的轨迹；没有先验知识，甚至不能确保几公里内的正确定位。第二个问题，无论条件如何，都需要具有足以完成定位任务的地图。为了在不同的季节、不同的天气或交通条件下都能定位车辆，目前在建图方面引起了很多关注，研究人员提出了很多解决方案来处理这两个问题。例如，通过选择独特的信息来构建地图，以便在后续工作中重用，或者利用新的通信系统来共享和增强由其他道路使用者构建的地图等。

自动驾驶SLAM的评估标准

虽然可以通过专用的探索方案被成功地应用于室内移动机器人中，但是对于自动驾驶的大规模环境而言，还是不够的。这意味着必须依靠先前的知识（全局或局部信息），或者能够不断地改进所构建的地图，直至达到足够准确为止（如闭环）。因此，在自动驾驶汽车中建图至关重要，并且在如何构建或使用紧凑、可靠的地图方面提出了重要的挑战。
目前，已经确定了如下6个指标来衡量SLAM算法。通常，只有达到这些指标，才能实现自动驾驶。

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。