算法层面建议：
3D Lidar + IMU方式：
Cartographer3D
Cartographer 2D在效果上更胜于 Cartographer3D，室内、室外都可以用，但建议室内应用
单目 + 3D Lidar + IMU + GPS方式：
LVI-SAM
LVI-SAM可以认为是LIO-SAM和VINS-MONO的合体，在此基础上的修改不大。出色的Demo级算法，是否适合商用有待验证
视觉（RGB-D、双目）+ 3D Lidar + IMU + GPS方式
RTAB-Map
稳定性更好，丰富的传感器组合、长期和大规模场景应用，适合商用场景
效果对比：
Cartographer3D < LVI-SAM < RTAB-Map
室内
Kinect + 里程计 + Kinect 的假 2D 激光
该方式将失去检测全局闭环或使用视觉进行全局定位的能力
功能受限
室内
室外/室内（光线充足）
实际使用经验汇总：
在凹凸不平的地面上建图：
1.单线激光雷达（+imu）的SLAM方法
2.多线的激光雷达支持，参照Lego-LOAM（可变地形下的轻量级和地面优化的雷达里程计与建图）的原理，并不是所以支持多线雷达的SLAM算法都支持，需要针对性选择
室外场景建图：
1.建议多线激光雷达+Imu+里程计
2.建议单目/双目视觉+imu+里程计
3.RGB-D相机不可行，其主动发射的红外光，极易受强光干扰，畸变严重
4.DOF的单线激光雷达也不建议
(Cartographer3D,LOAM,Lego-LOAM,LIO-SAM,LVI-SAM,Livox-LOAM的原理解析及区别)
（Cartographer2D、Cartographer3D、 LeGO-LOAM 对比系列）
一、ORB_SLAM2
室内跑两圈，采集结果如下：
说明：
1、可获得point、keyframe、graph数据
2、相比于kinect相机，跑小觅相机中速运动时不易丢包；
３、重定位算法比较好，但仍有较大偏差；
４、光线强度高的地方很容易丢包；测量地点为一个闭环，测试结果却没形成闭环；图像为稀疏点云，数据大了会卡。
二、VINS MONO；mono+imu；回环
室内跑两圈，采集结果如下
说明：
１、加回环检测（红三角）能识别曾经到过的路径并修正，但延迟比较高；未加回环（绿三角）跑偏，相比于vins fusion的双目不加回环，效果较差；
2、IMU漂移比较严重
三、VINS FUSION；stereo+imu；无回环
室内跑两圈，采集结果如下：
四、RTAB
三楼阳台测试，生成点云图示意：
说明：
１、SLAM集成完整；可生成稠密地图，用于导航、避障
２、慢速下不易丢包【速度和ORB差不多】；丢包后能进行快速重定位；对光线不敏感，能适应多复杂场景
３、两种安装格式：二进制——直接应用；源码——可二次开发
４、用kinect测试，效果不错，
综上：
可参考方案有VINS FUSION和RTAB：
１）若选择VINS FUSION双目+imu，加入回环算法，效果会好很多；但后续仍需优化、稠密建图等处理
２）若选择RTAB-Map，添加小觅相机的依赖，提高识别距离，效果应该不错；选用源码安装方式，便于后期二次开发。
商业化用途的话，个人倾向于RTAB-Map
Framework
TAB-Map ROS节点的框图
所需输入是：
TF，用于定义传感器相对于机器人底座的位置; 来自任何来源的里程计（可以是3DoF或6DoF）;
其中一种相机输入（一个或多个RGB-D图像，或双目立体图像），且带有相应的校准消息。
可选输入：
2D激光的雷达扫描，或3D激光的点云。然后，来自这些输入的所有消息被同步并传递给graph-SLAM算法。
输出的是：
1.Map Data，包含最新添加的节点（带有压缩传感器数据）和Graph; Map Graph，
2.没有任何数据的纯图;
3.TF，矫正过的里程计;
4.可选的OctoMap（3D占用栅格地图）;
5.可选的稠密点云地图;
6.可选的2D占用栅格地图。
视觉里程计:
视觉里程计
激光里程计
激光里程计
key Topic List:
ICP Odom
Wheel Odom
Vision Odom
Scan
Depth Topic
RGBD Topic
Stereo Topic
GPS
AprilTag Topic
other:
obstacles_detection(Stereo)
rtabmap+find_object_2d
Navigation:
(RTABMap+MoveBase)
dao
网友评论