移动机器人SLAM技术-教学大纲.pptx

移动机器人SLAM技术欢迎探索移动机器人SLAM技术的精彩世界。本课程将带您深入理解同时定位与建图技术的核心原理与实践应用。作者：

课程介绍课程目标掌握SLAM核心理论与实践能力，能独立开发简单SLAM系统。学习内容概览涵盖数学基础、传感器技术、前后端算法、系统集成与实践应用。先修知识要求需具备线性代数、概率论基础，熟悉C++编程，了解基本机器人学概念。

SLAM技术概述SLAM定义同时定位与建图技术，使机器人在未知环境中实时构建地图并定位自身。SLAM的重要性是实现机器人自主导航的关键技术，解决鸡与蛋互依赖问题。SLAM的应用领域广泛应用于自动驾驶、服务机器人、AR/VR、无人机等多个领域。

SLAM的基本原理同时定位与建图两个相互依赖任务的并行解决传感器融合多源信息的综合利用概率估计处理不确定性的数学基础

SLAM系统的组成部分前端处理传感器数据，提取特征，计算相对运动后端通过优化算法消除累积误差回环检测识别重复访问区域，修正全局一致性建图构建环境表示，供导航与规划使用

传感器技术激光雷达通过发射激光测量距离，精度高，不受光照影响。分为2D和3D，适合构建精确几何地图。视觉传感器包括单目、双目和RGB-D相机，信息丰富。成本低，但受光照条件限制。IMU(惯性测量单元)测量角速度和加速度，提供短时高频运动估计。常与其他传感器融合使用。

激光SLAM技术2D激光SLAM平面扫描获取环境轮廓适合室内结构化环境计算量小，实时性好3D激光SLAM获取完整三维环境信息适应复杂地形与场景数据量大，处理更复杂点云处理基础降采样与滤波特征提取与匹配配准与融合

视觉SLAM技术单目SLAM仅使用一个相机，尺度不确定，实现简单，成本低。双目SLAM利用两个相机，可直接恢复深度信息，提高精度。RGB-DSLAM结合彩色与深度信息，室内效果出色，易于实现。

视觉-惯性SLAM(VIO)视觉与IMU的融合互补优势，提高鲁棒性紧耦合vs松耦合不同融合策略的权衡常见VIO算法VINS、MSCKF等经典方法

SLAM数学基础(1)线性代数回顾矩阵运算、特征值分解、SVD分解等基础知识。李群与李代数SO(3)、SE(3)群及对应李代数，处理旋转与位姿。四元数与旋转表示四元数基本运算及其在旋转表示中的应用。

SLAM数学基础(2)概率论为处理传感器噪声提供理论基础，贝叶斯滤波建立信念更新框架，卡尔曼滤波实现高效状态估计。

前端技术：特征提取与匹配1图像特征点SIFT、SURF、ORB等角点与区域特征2描述子特征点周围区域的数学描述3特征匹配算法暴力匹配、FLANN、鲁棒估计方法

前端技术：视觉里程计2D-2D对极几何利用本质矩阵或单应性矩阵估计相机运动。3D-2DPnP已知3D点，求解相机位姿的透视问题。3D-3DICP点云配准算法，求解刚体变换。

后端优化(1)计算复杂度精度

后端优化(2)1BundleAdjustment优化相机位姿与路标点坐标，最小化重投影误差。位姿图优化仅优化机器人位姿，维持相对位姿约束关系。LoopClosure闭环优化显著减少累积误差，保证全局一致性。

回环检测技术基于图像的回环检测通过图像相似度判断机器人是否返回已访问区域。词袋模型(BoW)将图像特征量化为视觉词汇，构建高效检索系统。DBoW3实现高性能开源词袋库，支持二进制特征描述子。

建图技术点云地图直接表示三维空间点，信息丰富但存储开销大。栅格地图离散化表示，每个栅格存储占据概率，适合路径规划。八叉树地图层次化表示三维空间，平衡精度与存储需求。

定位技术基于滤波的定位卡尔曼滤波粒子滤波计算效率高基于优化的定位最小二乘优化相对于已知地图定位精度较高全局定位vs增量式定位初始位置未知/已知处理绑架问题算法复杂度权衡

SLAM评估指标

经典SLAM算法(1)算法名称发表年份传感器类型主要特点MonoSLAM2007单目相机第一个实时单目SLAM系统PTAM2007单目相机跟踪与建图线程分离ORB-SLAM22016单/双目/RGB-D完整SLAM系统，高精度

经典SLAM算法(2)直接法SLAM算法省略特征提取步骤，直接利用像素强度信息。LSD-SLAM实现半稠密重建，DSO优化光度误差实现高精度跟踪，SVO结合直接法与特征法优势。

经典SLAM算法(3)GMapping基于粒子滤波的经典2D激光SLAM算法。ROS中广泛使用，适合室内环境。CartographerGoogle开发的高精度2D/3DSLAM系统。采用分层子图结构，支持回环优化。LOAM激光雷达里程计与建图算法。分离特征提取与配准，提高实时性能。

ROS(机器人操作系统)基础ROS架构分布式通信框架2节点与话题模块化组件与通信机制发布者与订阅者异步通信模式

SLAM与ROS集成