Cartographer[1]是google在2016年開源[2]的跨平台和傳感器配置,並提供2D和3D實時同步定位和建圖的SLAM係統,主要通過閉環檢測來消除構圖過程中產生的累積誤差,以達到融合多傳感器數據的局部submap創建和用於閉環檢測的scan match策略的實現。主要包括cartographer和Cartographer_ros兩部分,其中cartographer為底層實現,主要負責處理來自Laser、IMU、Odemetry的數據並基於這些數據進行地圖的構建。cartographer_ros是基於cartographer的上層應用,主要負責從ros的通信機製獲取傳感器的數據並將它們轉換成cartographer中定義的格式傳遞給cartographer處理,與此同時也將cartographer的處理結果用於發布、顯示或保存。
(2) MC2SLAM
MC2SLAM[3]是Frank Neuhaus提出的一個實時激光裏程計係統,提出了一種非剛性匹配算法(non-rigidregistration),通過把點雲畸變補償和點雲匹配統一到一個優化任務之中,即先對點雲進行畸變補償,隨後采用補償後的點雲進行位姿匹配。而此前的其他SLAM方法,這兩步是相互獨立進行的。最後在後端使用IMU預積分進行位姿圖優化,從而提高精度。從作者給出的測試結果,該方法和IMLS的精度相當,精度優於LOAM。
(3) LeGO-LOAM
LeGO-LOAM[4]是一種輕量級和地麵優化的激光雷達裏程計和建圖方法,可用於實時估計移動平台的六自由度姿態。可以在低功耗嵌入式係統上實現實時姿態估計。LeGO-LOAM在分割和優化步驟中利用了地麵的約束。首先應用點雲分割來濾除噪聲,並進行特征提取,以獲得獨特的平麵和邊緣特征。然後,采用Levenberg-Marquardt優化方法,使用平麵和邊緣特征來解決連續掃描中六個自由度變換的不同分量。係統接收來自3D激光雷達的輸入並輸出6個DOF姿勢估計。整個係統分為五個模塊。 首先是segmentation,使用單次掃描的點雲,並將其投影到範圍圖像上進行分段(線);然後將分段的點雲發送到feature extraction模塊;然後激光雷達測距儀使用從前一模塊中提取的特征來找到與連續掃描相關的變換;並將這些特征在lidar mapping中進一步處理,將它們標記到全局點雲圖。最後,transform integration模塊融合了激光雷達測距和激光雷達測繪的姿態估計結果,並輸出最終的姿態估計。
(4) SUMA++
SUMA++[5]是SLAM大牛Cyrill組基於SUMA[6]開源的基於語義信息的激光雷達SLAM係統,在大多數場景下,可以很好的過濾動態物體,並為機器人係統提供精確的定位和地圖構建。該係統通過卷積神經網絡對激光雷達點雲進行語義分割,並結合幾何深度信息,提高語義分割的精度並合成為帶語義標記的激光雷達點雲,通過該點雲構建帶有語義信息且全局一致的稠密surfel語義地圖。最後,利用掃描和地圖之間的語義一致性來過濾出動態物體,並在ICP過程中通過語義約束來提高姿態估計的精度。在KITTI數據集上定位精度和魯棒性都有非常好的表現,為動態場景下的自主移動機器人導航和和動態避障提供了很好的思路。
|
|
機器人招商 Disinfection Robot 機器人公司 機器人應用 智能醫療 物聯網 機器人排名 機器人企業 機器人政策 教育機器人 迎賓機器人 機器人開發 獨角獸 消毒機器人品牌 消毒機器人 合理用藥 地圖 |