2D激光slam算法在室内建图对比研究

孙宗涛　朱永强

摘要：目前无人驾驶与机器人行业发展火热，需要对汽车与机器人所处环境进行准确的建模来得到一张高精度的地图。激光SLAM作为目前最稳定、最主流的定位导航方法而被人们广泛使用。本文使用Gmapping算法与Hector算法在搭载低频激光雷达的差速两轮小车上对室内环境进行建模，并将两种算法所建地图进行对比分析，结果表明在室内环境下Gmapping算法所建地图的精度更高，建图效果优于Hector算法。

关键词：激光SLAM;gmapping算法;室内;建图

0  引言

SLAM 技术发展到现在已经经过了30多年，涉及的技术领域众多。其中需要多个步骤来完成，如今多样化的算法为实现这些步骤提供了多种选择，SLAM技术也是如今无人驾驶与机器人领域的研究的热点话题。SLAM（Simultaneous Localization and Mapping），中文翻譯为同步定位与地图创建。SLAM主要解决以下的问题：当处于未知环境时，汽车或者机器人怎样通过对环境的侦测来对自身运动轨迹进行确定，同时构建出所处环境的地图。

SLAM可以根据应用场景、核心算法、传感器分为很多种。例如当采用传感器不同时，可以分为基于激光雷达的2D和3D SLAM、基于深度摄像机的RGBD SLAM、基于视觉传感器的visual SLAM、基于视觉传感器和惯性单元的VIO。

目前基于激光雷达的2D SLAM技术发展成熟，在ROS平台下主要有两种基于激光雷达的地图构建方法：Gmapping和Hector算法。Gmapping算法采用Rao-Blackwellized粒子滤波方法，借助里程计信息实现位姿估计;而Hector算法采用高斯-牛顿迭代法，通过激光数据匹配进行位姿估计[1]。

1  算法介绍

Gmapping算法：

Gmapping算法是基于RBPF的一种有效解决同时定位与建图的算法。SLAM要求解的问题就是控制数据的u1：t和观察数据的z1：t来求解位姿和地图的联合分布。RBPF解决了这两个问题同时求解时难度较大的问题，使用条件概率将这两个问题拆分开来求解位姿，即先进性定位再进行建图。此时公式如下所示：

式中x为机器人的轨迹;m为由z观测所得到的特征地图;u为里程计测量值。

里程计所提供的位姿消息的不确定度较大，而激光的分布比里程计分布更接近真实值，所以说当把激光的信息融入到提议分布中时，那时提议分布离目标分布会更加接近。同时因为粒子需要对里程计状态的全部空间进行全面覆盖，在这其中只有少数的粒子是符合真实目标分布的，因此当计算权重时粒子的权重变化就会变得很大。如果需要把权重较小的粒子舍弃，让权重大的粒子进行复制来达到使粒子收敛到真实状态的附近。这样的操作需要进行频繁重采样，造成了RBpf的另一个弊端即：发生粒子退化。这也解释了RBpf需要大量粒子并执行频繁重采样。

此时采用最近的一次观测来改进提议分布，因此提议分布如下

此时的提议分布使用了激光和里程计的信息，相比于公式（1）中的提议分布减缓了粒子退化的情况，并且更容易达到函数的峰值，构建地图的精度也更加准确。

Hector算法：

Hector算法是一种鲁棒性较好的2D SLAM方法和使用惯性传感系统的导航技术。其不需要里程计，但对激光雷达要求的标准较高，需要更新频率快、噪声小的激光雷达。

概率栅格地图是激光雷达描述真实世界的一种方式，经证明能对任意环境进行地图表述[2]。由于激光雷达数据的离散性，无法直接用于栅格地图的构建与扫描匹配，所以要先通过插值获得连续的概率栅格地图。

获取到栅格地图后，需要将后续到达的雷达数据进行扫描匹配，扫描匹配是将激光雷达扫描的实时数据与已有地图对齐的过程，原系统在这一步参考了图像对齐的方法构建误差函数，使用Gauss-Newton法得到最为匹配的地图。该方式在雷达数据更新后，在上一时刻状态附近迭代出当前时刻的最优匹配，并计算得到位姿增量[3]。Hector SLAM所建立的GaussNewton方程为：

式中ξ为栅格地图旋转矩阵，px，py，ψ分别代表x，y轴的偏移量和旋转角度，si（ξ）则表示在世界坐标系下激光雷达的位置，M函数为坐标点的障碍物概率值。

其中H为Hessian矩阵，如下所示

2  试验设计方案

本文试验场景为室内环境，路面比较光滑，采用差速两轮小车来进行两种不同算法的建图试验，当小车在室内运动时，小车搭载的激光雷达会对环境信息进行收集和处理，同时上位机会对所处环境进行建图操作。

试验所需硬件包括：

①上位机：装有ROS系统的笔记本一台;

②传感器：轮式里程计与韩国LG激光雷达;

③底层平台：以树莓派3B+为控制器的差速两轮小车。

3  差速两轮小车的建图试验

针对本文提及到的两种激光SLAM算法，通过差速两轮小车搭载低频率激光雷达在室内环境下进行建图试验，在两次试验中，小车以相同速度绕场地进行地图构建。

试验结果如图2-图3所示。

4  结语

本文介绍使用两种不同的2D激光SLAM算法，在搭载低频激光雷达的差速两轮小车上对室内环境进行建模，对结果进行了对比分析，从所建地图中可以看出Gmapping算法在对室内环境进行建模具有一定优势，总体来说Gmapping算法建地图精度更高，为以后应用低频雷达时在室内环境建图时提供了一定借鉴经验。

参考文献：

[1]Kamarudin K， Mamduh S M， Shakaff A Y， et al.Performance analysis of the Microsoft Kinect sensor for 2D simultaneous localization and mapping （SLAM） techniques[J].Sensors， 2014， 14 （12） ：23365-87.

[2]Thrun S， Burgard W，Fox D. Probabilistic robotics（Intelligent Robotics and Autonomous Agents）[M]. NY：The MIT Press，2005.

[3]苏易衡，张奇志，周亚丽.适用于低端激光雷达的优化Hector SLAM算法[J].实验室研究与探索，2019，38（09）：47-51.

收稿日期：2019年12月5日。

基金项目：国家自然科学基金资助项目（51005128）。

作者简介：孙宗涛（1996-），男，山东青岛人，青岛理工大学机械与汽车工程学院硕士研究生;朱永强（1975-），男，山东莱州人，博士（后），副教授，研究方向为车辆动力学、虚拟现实技术。