联系我们
SLAM（同步定位和建图）是一切自主移动机器人的基础能力，笔者曾在往期文章中做过详细介绍。由于实际的场景是异常复杂的，机器人大规模落地时，必然会对SLAM算法提出更加严峻的挑战。当然，这是一项技术从实验室走向真正实用必须要面对的问题。幸运的是，近些年随着无人驾驶和机器人的井喷，学术界和工业界密切联合，致力于SLAM技术的深度探索。
ICRA(IEEE International Conference on Robotics and Automation：机器人与自动化国际会议)是目前机器人和人工智能领域***重要的国际会议之一，近些年刊登了不少有关于SLAM研究的***新成果。笔者近期与Intel中国研究院的史雪松博士共同追踪了其中相关的文献，并希望结合SLAM落地，给出一些有意义的探讨。
实际上，自主移动机器人的大规模落地对SLAM的挑战可以归纳为一点：鲁棒性。由于机器人是靠传感器和算法驱动的装置，在无人值守时尤其需要保持较高的安全性，不能发生跌落、碰撞等事故。其中的关键就是需要从SLAM获得精准可靠的定位姿态估计。机器人需要克服不同环境条件，克服异常状态，保持良好的定位输出。根据笔者实际经验，具体的挑战难点有：
1. 场景的多变对位姿估计的影响
a) 长走廊且无明显纹理特征：这类场景大多发生在室内，长走廊几何结构单一导致目前LiDAR SLAM方案在前端做点云匹配时，丢失前后向约束，导致机器人在长走廊下无法感知自身的x方向坐标，造成定位漂移。而环境纹理的缺失又使得VSLAM无法有效的提取特征。基于此，传统的优化方案是使用更长测距半径的激光雷达或者替换使用更高精度的惯导做dead-reckoning，以提高x方向的精度，但这无疑会增加产品成本。
b) 无明显反射物信息的环境：LiDAR SLAM的使用前提是能够接收反映特定环境特征的点云信息，而有些室内场景使用了黑色吸波材料，导致激光雷达无法获取有效的点云，进而降低了前端的匹配精度（Scan Match/ICP/NDT）。另外，在开阔的室外场景，激光无法接收有效的点云测距信息，也存在类似的问题。
c) 环境突变对定位的影响：机器人的定位依赖于预先扫描的一张地图（无人驾驶的高精地图还需要手工标注语义信息），在定位阶段使用当前获取的点云与地图匹配，计算位姿。而当定位时环境变化，点云无法与地图有效匹配建立约束，长期运行就会出现定位漂移和定位丢失。
2. 传感器或者结构问题导致的定位异常
a) 传感器失效：机器人内部传感器数据异常也将导致定位漂移。如SLAM高度依赖IMU和轮速编码器提供的初始位姿输入，而在极端环境下这些传感器数据出现异常时，尽管有外部传感器（激光、相机）的观测信息进行修正，也无法有效降低定位误差。
b) 机器人长期震动对结构件的影响：机器人本体的硬件设计不合格，在长时间运行时，带来两种可能影响：结构件脱落遮挡激光传感器和结构件位移导致TF（传感器到传感器之间的相对位姿）不准。前者将严重干扰点云正常数据获取。后者直接带来了错误的SLAM输入，比如引发错误的地面点云提取。
3. 原始建图质量太差对定位的影响
一张一致性良好的地图（occupancy grid map/TSDF/feature map）是正确定位的前提。而如果建图时因为没有有效回环或者匹配精度较差，导致地图出现重影，也极容易引发定位错误。见图2。
4. 错误定位初始化的影响
正确的定位依赖于正确的初始化点的选取，如果初始化点给错，在环境特征高度相似的场景将导致定位出错。
5.大尺度场景建图定位的难点
通常在大场景下建图必须遵循一定的扫图路线，以实现准确的回环。而在某些尺度大的场景，如发电站、异型建筑中，通行路线单一，无法有效的回环，造成地图偏斜重影。另外，如果使用稠密点云来表征地图，则面积越大，数据量越大。如何有效的读取和存储数据需要有较好的架构设计.
6.实时性对于低算力平台的挑战
通常机器人除了运行SLAM算法，同时还将执行环境感知（perception）和运动控制（planning）。一些低成本的计算平台由于无法负载高强度的计算，使得SLAM算法运行卡顿，无法及时更新定位信息，也将影响机器人的正常运行。
上述总结了实际落地场景中，SLAM可能遭遇的难点。从清洁机器人角度看，由于需要有效的贴边清扫和消除清洁空洞，对SLAM精准定位的要求更高。大规模量产时，上述的问题不可回避。
更多资讯：商用清洁机器人
