SLAM，全称为simultaneous localization and mapping，实时定位及建图。
在一个智能机器人的使用过程当中，定位是整个机器人应用的基石。所有机器人的运动、交互等行为，都必须知道自己的相对位置以及目标位置的位置。
一个没有定位的机器人，就像我们经常吐槽他们很笨的扫地机器人那样，在未知的空间里撞来撞去，经常把自己扫过的地再扫一遍。
现代定位的发展已经有了四五十年的基础，在早期的定位与建图当中，往往会遇到几个问题。
1.规模的影响
往往收到计算代价的限制，小地图的定位效果较好，大地图的延时比较大。
2.定位与建图这两个模块的互相影响
在环境变化的过程当中，如何调和定位以及建图这两个模块的相关关系，这一点到现在也是一个很难解决的问题。
假如我在一个地图当中，放入了一个新的方块，我需要通过加入了这个新的方块的地图找到我自己的位置，同时我要对我建的这个新的地图进行更新，让它里面也加入这个方块。
那么什么时候要加呢（万一它只是临时在这个地方）？（建图）
加之前我如何确认自己在什么地方呢？(定位)
要把这个方块加在什么地方呢？（建图）
3.遇到相似的角落，会很难识别
如果你把一个人关到一个正方形四面都是白墙的屋里子，过了一段时间，就会不知道东南西北了，那么使用定位也是一个道理。
车辆在传感器反馈的数据相似的地方就会难以识别自己的位置，造成定位的错误。
我们所最熟知的定位系统大概是GPS了，GPS是在上个世纪70～80年代被开发出来的，通过卫星的三角或者多角定位，可以准确地计算出接收器在地球上的位置。
即使实时定位与建图有上面说的这么多困难，但它还是机器人一定要发展的一个方向，如果机器人做不到一个优良的SLAM，就更无从谈起智能化了。
为了找到机器人在地图中精准的位置，前人们使用了各种各样的方法，比如在地面上铺设磁导体，或者是反光板进行三角定位，又或者是用地球的磁场和惯导或微惯导做定位。
在我看来，帮助定位的方法有两个类别。
第一种是建立地图层的方法，比如说建立激光点云图层进行定位，或者是视觉的图层进行定位，或者是wifi波、PWB等等方法的定位。这个类别的核心是，在定位之前必须得建图，建图之后才能通过识别传感器数据找到自己在地图中的相对位置。
第二种方法比较不一样，它可以不用建立地图层，它是通过观测自己移动的相对位置，来判断自己移动的距离。在这个类别里有IMU（惯导）、里程计、视觉里程计等等。
在定位的综合应用当中，往往是两个类别的综合使用，由于第二种类别会产生累积误差，所以需要第一种类别来帮它进行误差的重置。
经过了几十年的发展，已经有许多开源的框架能展现出鲁棒性很强的定位效果了，但针对不同的场景还是会有一些问题，还有许多改进的空间。
网友评论