开篇前比如说这样两个场景：在一个比较较小的地方（如房间），让你较慢去找某个东西，是不是很更容易，很确切自己在哪里，要怎么获得他。然后，把你放在一个大场景（如商场），在不熟知的情况下，是不是有点慌？这两个场景的典型区别就在于场景的大小有所不同，必须人处置的信息量有所不同。同理，机器人在首度面临的时候也不会有点慌。
但只不过，只要确切他的“地图结构”，再行大的场景也不是问题。目前，虽然即时地图建构和导航系统技术早已日益成熟期,但是大规模场景下较小的环境面积及简单的场景结构给地图建构带给了较小挑战。甚至在有些人眼里，这是工作量极大的，繁复的、建构不精确的……但只不过，思岚科技的技术可以精彩已完成10w+㎡场景下的地图建构，边走边建图，需要预先开发利用地图。比如，这样的：这样的：以及这样的：一个典型的商用场景特征如下：针对大场景的地图建构，如果用于激光雷达因应SLAM算法展开建图的话，首先必须用于较近测距半径的激光雷达传感器。
目前为了适应环境上述的商用场景，行业内会用于测距半径在16米以上的激光雷达产品，而较为理想的测量半径是25米，从而确保需要应付各类极端条件。除了确保传感器的测距半径合乎环境市场需求外，SLAM算法还必须不具备闭环检测能力。比如有些场景，宽走廊和环路较多，相近的场景也很多，在SLAM过程中无法构成有效地的全局给定参照，从而很更容易造成局部区域总计误差无法及时清理，进而造成回环开口问题。
如下图：|由于环境场景大且多为厚实走廊，造成SLAM建图中更容易经常出现环路开口告终的情况为了解决问题上述问题，行业内的广泛作法有两种：1.使用粒子滤波的SLAM方法用于多张平行不存在的候选地图（粒子）同时展开地图建构，并且时刻挑选出其中概率上更为合乎真实情况的地图作为当前结果。由于有所不同的粒子之间创建的地图不存在区别，因此从概率上看，当机器人在环境中行驶完了一个环路后，众多粒子中不存在闭环地图的可能性比起传统单一建图的模式要低很多。因此这种方法可以一定程度的解决问题闭环问题。
|使用rbpf(Rao-Blackwellizedparticlefilters)的SLAM算法使用粒子滤波的SLAM算法因其可以十分有效地的回避因为局部噪声造成的建图过热问题，一度沦为行业内激光SLAM方式的主流方案。然而，这种方式的SLAM算法，由于系统参数和传感器观测等不存在不确定性，先天不存在资源消耗大的缺点。以rbpf-slam为事例，实际应用于中为了确保较好的鲁棒性，必须保持几十个粒子数据，每个粒子中都包括了一张当前正在建构的环境地图信息。
这样毫无疑问减少了SLAM算法的内存消耗。同时，每当新的传感器数据转入，要对地图展开改版递归时，算法必须对每个粒子数据都展开完全相同的给定计算出来和数据改版，这也减轻了运算开销。更进一步的，粒子滤波的SLAM方式虽然可以大幅提高回环开口问题，但从原理上看它并无法确实意义上解决问题闭环问题。
对于类似的环境下，用于粒子滤波SLAM可能会将粒子发散到错误的方向，造成建图告终。|准确的地图建构(左)和当粒子滤波发散告终获得的错误地图（右）2.基于图优化的SLAM方式基于图优化的SLAM（(Graph-SLAM)）方法，由于使用了全局优化处置方法，需要有效地的解决问题建图闭环，取得更佳的建图效果，取得行业普遍注目。|基于图优化的SLAM框架比起于rbpf-slam每次必要将传感器数据改版转入栅格地图展开建构的作法，Graph-SLAM存储的是地图建构过程中机器人位姿变化的流形地图信息，以及诸如邻近数据和闭环点等数据。|Graph-SLAM编码了机器人在SLAM过程中的位姿变化流形地图，涉及的流形信息，如：闭环、重合数据也获得了编码而当机器人开建图中经常出现了新的回环后，Graph-SLAM可倚赖内部的拓扑图展开主动式的闭环检测，当找到了新的闭环信息后，Graph-SLAM用于BundleAdjuestment(BA)等算法对原本的位姿流形地图展开修正（即展开图优化），从而能有效地的展开闭环后地图的修正。
因此比起与粒子滤波SLAM方式，Graph-SLAM可以构建更为可信的环境建图。|Graph-SLAM在检测到原本地图（左）不存在有可能得开口路径后，对拓扑图展开修正从而获得准确的环境建图（右）目前，SLAMWARE早已使用了近期的图优化方式，因应激光雷达渐渐在商用简单环境中开始用于。未来，面临机器人应用于场景的大大扩展，建图技术必定还不会遇上更好的问题，而这些，是未来思岚科技必须和行业一起，联合攻下的问题。
本文关键词：机器人,构建,地图,不得不,面,对的,问题,开元官网平台,—,大
本文来源：开元官网平台-www.softwareforbad.com
