SLAM可以说是近几年最火的机器人技术之一，也是机器人领域的关键技术。不少同学表示，学了几年还在「爬坑」，甚至感觉「越学越难」。本文通过整理机器人领域常用的SLAM算法架构及特点，希望为大家的方向选择提供一些参考。

01 SLAM是啥？

我们先界定一下SLAM技术。SLAM，是指即时定位和地图构建，一种同时实现机器人自身定位和环境地图构建的技术。

原理是使用相机、激光雷达、惯性测量单元等传感器，来收集环境信息，然后用算法将这些信息融合起来，以确定机器人在未知环境中的位置，并构建一张环境地图。

通过SLAM技术，机器人可以在未知环境中进行自主探索和导航。像家用的扫地机，就是一个非常好的应用实例。

 SLAM技术也不只用于机器人，还广泛应用在AR、VR、无人机、自动驾驶等领域。

02 SLAM的通用架构

根据传感器的不同，机器人用的SLAM算法可以分为二维激光SLAM、三维激光SLAM，以及视觉SLAM。

其中，二维激光SLAM常用的有Cartographer、Karto，三维激光SLAM较流行的是LIO-SAM和LOAM系列，视觉SLAM主流的方案为ORB-SLAM3、VINS-Fusion……

 不同的SLAM算法，实现的具体细节会有所不同，但一般都包含前端和后端。

前端

从传感器中获取原始数据，并将这些数据与已有地图进行关联，从而确定机器人轨迹的过程。

• 数据采集：通过传感器获取机器人周围环境的数据，如激光点云数据、图像数据等。 

• 数据时空同步：将从不同传感器或不同时间戳接收到的数据进行同步，以便后续配准。

• 特征提取：从采集的数据中提取用于建图的特征点，如关键点、特征描述子等。

• 数据融合：将不同传感器获取的数据融合起来，提高建图的准确性和稳定性。

• 数据关联：将当前帧的特征与之前的地图，或者其他帧之间的特征进行匹配，以确定机器人的运动轨迹。

• 运动估计：通过数据关联得到机器人的运动轨迹，可以是平移、旋转等运动。

前端的质量对SLAM系统的准确性及稳定性有着至关重要的影响，因此前端的算法设计和实现需要精心制定，以确保系统的可靠性和实用性。

后端

根据前端获取的运动轨迹和地图信息，对机器人的状态、地图和传感器误差等进行估计和优化的过程。

• 非线性优化：通过非线性最小二乘法等，对机器人姿态和地图进行优化，使得机器人的位置和地图更加准确。

• 回环检测：识别机器人经过的相似位置，避免累积误差的产生。可以有效降低机器人的定位误差，提高SLAM算法的精度和鲁棒性。

后端优化的关键，是对整个系统的运动轨迹和地图进行全局优化，以消除积累误差和提高定位的准确性。

03 6大主流SLAM算法

• Cartographer

由谷歌开发的一款基于激光雷达和RGB-D相机数据的SLAM算法。可以跨平台使用，支持Lidar、IMU、Odemetry、GPS、Landmark等多种传感器配置，被广泛用于机器人导航、自动驾驶等领域。

Cartographer算法在前端完成占据栅格地图的构建，得出激光雷达扫描帧的最佳位姿后，将扫描帧插入到子地图Submap中，得到局部优化的子地图并记录位姿。

后端根据扫描帧间的位姿关系进行全局的地图优化，并使用分支定界法加速求解，进而得出闭环扫描帧在全局地图中的最佳位姿。

• Karto

一种基于位姿图优化的SLAM方法，使用了高度优化和非迭代的cholesky矩阵对系统进行解耦并求解。适用于各种室内环境，可以处理静态和动态障碍物。

Karto使用图论的标准形式表示地图，其中每个节点代表了移动机器人运行轨迹上的一个位姿点，以及当前位姿下传感器返回的感知信息。

节点之间的边，代表了相邻机器人位姿之间的位移矢量。对每一个新的位姿点定位，需要节点间匹配关系和边带来的约束，保持定位估计误差的前后一致。

• LIO-SAM

一种新型的激光惯性导航系统，结合了激光雷达和惯性测量单元数据，可以实现机器人的高精度定位和运动轨迹的建图。

前端在传统的LIDAR-SLAM基础上，利用卡尔曼滤波和因子图优化算法，将激光雷达和IMU数据融合，进一步提高机器人的定位精度和建图效果。后端加入优化算法，使得机器人的定位精度和建图精度都得到极大提升。

• LOAM系列

一种成熟的基于激光雷达的SLAM算法，包括LOAM、LOAM-Velodyne、LOAM-LiDAR等。

其中LOAM使用3D激光雷达的数据来进行建图和定位，利用点云数据的特征，如空间聚类、连续性约束等来估计位姿。

LOAM-Velodyne则使用Velodyne激光雷达的3D点云数据，以实现更高精度的地图重建和定位；LOAM-LiDAR采用LiDAR传感器来进行建图和定位，可以高效获取目标物体的三维坐标信息，在一些机器人应用场景具有很大的优势。

• ORB-SLAM3

当前最优秀的基于特征点的视觉SLAM系统之一，支持单目、双目、RBG-D等多种相机模式，在特征提取、关键帧选取、地图维护、位姿优化等方面进行了优化，并能建立短期、中期和长期的数据关联，使得该系统兼具精度和鲁棒性。

前端视觉里程计基于ORB特征，建立图像帧之间特征点的数据关联，以及图像特征点和地图点之间3D到2D的数据关联，具有较好的鲁棒性和提取效率，回环检测和重定位也基于ORB特征实现。

• VINS-Fusion

一种基于视觉惯性传感器的视觉SLAM算法。它将视觉和惯性信息进行融合，来提高机器人在未知环境下的定位和导航能力。

前端和后端之间通过一个状态传递机制来交换数据。前端将IMU和图像数据合并，生成一组状态量，然后将其传递给后端进行融合和优化；后端将优化后的状态量传递回前端，以便更新机器人的运动估计。

04 如何选择SLAM方案？

事实上，不同方案的SLAM算法，都有它的应用空间。

二维SLAM就适合在二维平面上运动的机器人，如扫地机、配送机器人、迎宾机器人等。

具体来看，Cartographer的总体表现最为优秀，定位精度和建图质量都很高，同时鲁棒性也很强，能承受一定的噪声和漂移干扰，可以应用于大范围建图；Karto适合建图面积不是太大的低成本应用场景，可以在一定程度上满足建图需求，同时工程实现难度也不太高。

三维SLAM则适用于机器人需要在三维空间中进行建模和定位的场景，比如无人机在室外飞行、机器人在户外环境中进行探测等。

其中，LIO-SAM的鲁棒性和实时性表现相对优秀，适用于建图面积和硬件资源有限的小型机器人应用场景；在建图面积和鲁棒性方面比较弱的LOAM方案，适用于小而快速的机器人及小型场景的定位、建图任务。

视觉SLAM通过摄像头等可视传感器来获取机器人与环境之间的相对位置关系，不需要其他传感器，更为轻量化。但对于光照变化、运动模糊等情况的处理仍存在挑战。

定位精度和实时性都比较高的ORB-SLAM3，面对场景变化能够快速适应，适用于多种场景的建图。与之相比，VINS-Fusion适用于对定位精度要求较高，且建图面积相对较小的机器人应用场景。

 总的来说，这些算法各有优劣，如何选择最合适的算法，需要根据具体的应用场景和实际需求来综合考虑。

以上就是本期的全部内容，后续我们还将对个别算法进行详细解读和细节分析，感兴趣的同学可以持续关注。

参考资料：

[1]https://zhuanlan.zhihu.com/p/501102444

[2]罗琦-基于惯性测量单元和激光点云的SLAM算法优化.广西大学

[3]朱建康-结构化场景下的主动SLAM算法研究.电子科技大学

[4]王琪-基于非线性优化的单目VINS系统的研究.哈尔滨工业大学