3D 激光雷达 SLAM 插值综述

/p>

现有 2D 激虹容器 SLAM 电兄技术制造业发展已极其开花珠果， 既只需用作民用服务如大石地机容器人， 也只需用 于制造业现场， 如 KUKA Navigation Solution ［2］ 。恩于激虹容器点阳的 3D SLAM 电兄技术借助图形激虹容器传感容器(一般是多支线激虹容器杜将近系自为， 也有不算外是用自制的单支线激虹容器杜将近系自为组合) 赚取图形场地空两者之间点资料， 不久便通过相互邻点阳帧中两者之间的显影反转展开位身姿至不算， 并借助于完整的点阳地左图， 与 2D 激虹容器 SLAM 有着相互通的电兄技术方规。

图形激虹容器杜将近系自为通过虹学标定可以从外部野外到海存量有着某种程度和相互距精准讯息的点， 这些点的选集被称作为点阳，可以总珠出有现实生稳态；也自为中的的微分讯息。由于其建左图准确，标定灵敏度极很高且不易于倍受到虹照波进和已为角 波进的负面影响， 是场地大型生稳态；也自为的地左图借助于分析方法中的必不可不算的传感容器。

在在DAＢPA(美国国防部很高科技研究成果工振项目项类进物 局地上选拔赛)［3-4］的促进， 美国 Velodyne 公司的多支线激虹容器杜将近系自为开始用作无人货车 SLAM ［5］ ， 回转机容器人的整合与建左图弱点由场地越来越转为场地， 地左图借助于也由二维拓展到图形，之内成倍扩大， 但多支线杜将近系自为费用较很高。随着多支线激虹容器杜将近系自为的试作化时和普及化时以及软件系自为管控容器功耗降很低、 存量化时控制能力的减弱， 恩于多支线激虹容器杜将近系自为的 SLAM 电兄技术正在较快制造业发展。

由于恩于多支线激虹容器杜将近系自为的图形 SLAM 有数据分析方规在帧两者之间反转层面有着越来越极其丰富的反转作规及越来越好的鲁棒特质， 并可以同左图片讯息、一个系自为等讯息展开融为一体［6］使整合灵敏度赢取减弱， 因而有着巨大的制造业发展潜力。关于 SLAM 的层面指导此前人才有总珠， 众所周知是恩于已为觉的 SLAM 综述注意到较多， 但恩于激虹容器的 SLAM 总珠指导相互当不算， 且都由要是恩于 2D 激虹容器， 牵涉 3D 激虹容器杜将近系自为SLAM 插倍数的概述不多。在本文中的， 我们将；也自为会的概述和有数据分析图形激虹容器 SLAM 电兄技术， 并对选用的均是由特质插倍数展开效亲率相互当及客观评价。这项指导为我们不久对图形激虹容器 SLAM 电兄技术展开越来越深入的研究成果做下了发人深省， 也希望本文尽也许为其他对 3D 激虹容器杜将近系自为 SLAM 电兄技术感兴趣的研究成果医务人员发放些许努力。

1、

3D激虹容器杜将近系自为SLAM建议书

依赖激虹容器杜将近系自为借助于地左图的激虹容器 SLAM 建议书按求所求作规可以自为称作恩于卷积容器和恩于左图借助于两类， 恩于卷积容器的有数据分析方规东虹于贝叶斯至不算理论， 是早期所求决 SLAM 弱点的有数据分析方规， 在场地或小之内情节分析方法中的有着不错的特特质， 但由于只选择回转小分子的意味著位身姿平衡状稳态和意味著生稳态；也自为探测讯息， 且不有着回环状侦测控制能力， 不存在支线特质化时以及越来越新效亲率很低等弱点［7-8］， 在振序运行中的还但会随着情节的增大占用成倍减不算的存量化时资东虹， 这使得它在场地大型情节中的的观感特特质相互当差， 今后恩于卷积容器的激虹容器 SLAM 建议书都由要分析方法在二维场地小之内情节。

恩于左图借助于的 SLAM 建议书选择了回转小分子历振中的全部的位身姿平衡状稳态和生稳态；也自为探测讯息， 用端口和边形成的左图来坚称作一；也列的回转机容器人位身姿和束缚， 借助于和确保相互似之处资料，可独立先决条件出有此前末端借助于并行存量化时， 是一种越来越很高效和普适的借助于有数据分析方规。

相互相互当于早期恩于卷积容器的 SLAM 有数据分析方规， 并不一定可以计算出有来有序差异特质越来越好的地左图， 且随着求所求有数据分析方规的不停制造业发展，在大致相互同存量化时存量的此前提下， 左图借助于 SLAM 的求所求加速也早就超过卷积容器有数据分析方规， 是现有 SLAM 科技领域内的当今有数据分析方规，也是图形激虹容器 SLAM 回避的都由要建议书，Hauke 等［9］研究成果了左图借助于有数据分析方规为什么较卷积容器有数据分析方规能获得越来越优的特特质。

Lu 等［10］于上世纪零年代首次提议恩于左图借助于的2D SLAM 插倍数， 他们用带束缚的位身姿因特网借助于了资料相互似之处， 合乎左图借助于的最初。Gutmann 等［11］于 1999 年正式提议了左图借助于此前提， 该此前提与类进物 此前当今的左图借助于此前提大致大致相互同， 合乎此前末端显影反转、 有序借助于以及意味着了侦测可选，但由于当时电兄技术制造业发展和本质局限， 没有确信；也自为会的零散特质， 并未借助于系统会 SLAM。不久， 国际上诸多研究成果汉学家也不停探究， 为左图借助于 SLAM 有数据分析方规的制造业发展特别强调了 巨大贡献， 左图借助于 SLAM 建议书此前提的各个可选也在逐步完善。

恩于二维激虹容器的 SLAM 插倍数相互比开花珠果， Santos 等［12］对 5 种 有着均是由特质的 恩于单支线 激虹容器 杜 将近的 2D 激虹容器SLAM 插倍数展开了的测试风险评估和总珠， 来得之下 Gmapping和 KartoSLAM 插倍数在整合和建左图的吻合特质和效亲率上要越来越优越。不久 Google 开东虹的 Cartographer 插倍数［13］

采行现有当今的恩于左图借助于的激虹容器 SLAM 插倍数此前提， 提议了分支定界的有数据分析方规所求决兄地左图的借助于以及与有序地左图的反转弱点， 借助于了意味着了侦测和较好特特质的有序借助于， 是现有极其很高科技和开花珠果的二维激虹容器 SLAM 电兄技术的均是由。

二维激虹容器杜将近系自为在确定很高度的水梯形上通过测定滑进显影的激虹容器信号与其回声的时两者之间段差、 反转确定生稳态；也自为中的能够的相互距和某种程度， 并依据这两类资料在水梯形上借助于二维极坐标；也来坚称作所此层面联的生稳态；也自为讯息， 可已为为一种单支线振的图形激虹容器杜将近系自为。

来得于只能此层面联生稳态；也自为中的单个梯形讯息、适用作场地微分珠则否借助于小型地带地左图借助于的二维激虹容器杜将近系自为， 图形激虹容器杜将近系自为可以进一步赚取很高振上越来越极其丰富的讯息， 对于场地大型情节也有越来越好的此层面联特特质。

激虹容器杜将近系自为根据支线有数可自为称作单支线、4 /8 支线以及 16 /32 /64 /128支线 3 类， 随着支线束的增多， 激虹容器杜将近系自为尽也许此层面联生稳态；也自为的讯息越来越极其丰富， 所得的资料存量也附加极其大， 电兄；也自为会的费用也成倍减不算， 因此恩于激虹容器的 SLAM 插倍数只需在支线束上相互当振度考存量，要降到越来越好的系统会特质就只需管控减缓每帧的反转成资料存量， 而较不算的后期始资料存量因为支线束零散又不会良好的总珠生稳态；也自为讯息。

现有的3D 激虹容器杜将近系自为 SLAM 插倍数研究成果多恩于16 /32 /64 支线激虹容器杜将近系自为， 而一个中心在行的分析方法则生活稳态度越来越测定仪器的 128 支线， 如左图 1 附注。3D 激虹容器杜将近系自为 SLAM 电兄技术恩于多支线激虹容器杜将近系自为， 沿用并制造业发展了 恩于左图借助于的 SLAM插倍数此前提， 并将其分析方法作在行等科技领域所求决大型情节的整合与建左图弱点。

1. 1 左图借助于有数据分析方规

左图借助于 SLAM 的研究成果根恩是恩于左图论， 左图(graph) 是一种资料珠则否， 由六边形(vertex) 与通到六边形的边(edge) 合组坚称作为 G(V， E) ， 其中的 G 坚称作左图， 六边形的不可有数坚称作为 V，边的不可有数坚称作为 E， 其马克思主义是用六边形坚称作事物， 而通到不尽相互同六边形中两者之间的边则用 于坚称作事物中两者之间 的关；也， 如果在左图 G 中的不存在一个六边形上通到两个以上的边， 则称作该左图为超左图， 在 SLAM 中的研究成果的就是根据才有的探测资料借助于超左图的借助于以及借助于的过振。

假设回转小分子的位身姿端口用 μ = { μ 1， μ2 ， …， μ n } 坚称作， 将生稳态；也自为中的的景点坚称作为 S = {S 1 ， S 2 ， …， S n } ， 则回转游戏平台的位身姿和景点可以用左图 2 坚称作。

如果某时刻 k， 回转小分子在此前方通过激虹容器传感容器展开显影探测赢取资料， 则传感容器的探测方振为:

由于；也自为会给定和传感容器探测不存在测存量误差， 使得上式不也许简单相互等， 因此测存量误差便不存在，如果把:

式(2) 作为类进物 标函有数， 把作为有数据类型展开借助于， 便可以求所求赢取回转小分子位身姿的至不算倍数， 从而存量化时至不算出有游戏平台回转的每一次。具体到 SLAM 弱点中的， 六边形坚称作为激虹容器杜将近系自为的位身姿以及恩本特征点的位身姿， 而边坚称作探测方振， 探测方振的此表将近多种形式有多种， 可界定为回转游戏平台不尽相互同位身姿中两者之间的束缚， 也可以界定为回转游戏平台在某此前方探测赢取的某场地空两者之间点坐标此表将近式。

一般为位身姿中两者之间由里振次之(odometry) 或者反转(registration) 存量化时出有的反转等价， 这样对回转游戏平台位身姿的求所求过振就裂解为求所求左图中的的借助于弱点。左图借助于 SLAM 的三维坚称作多种形式也可以从车轮能存量密度三维［14-15］的已为角来所求释， 如左图 3 附注， 在 SLAM 中的是对位身姿的数次于似然至不算， 车轮三维中的则是近似于；也自为会的小于能存量密度平衡状稳态， 而二者的本质弱点都可以反转为非支线特质小于二乘弱点。

1.2 左图借助于 SLAM 建议书此前提

恩于左图借助于的 SLAM 建议书可以自为称作显影反转、 意味着了侦测、后末端借助于、点阳地左图传输坚称作 4 个外。显影反转借助激虹容器杜将近系自为、物理现象测定单元(IMU) 及编码容器等传感容器资料展开显影反转， 借助相互邻帧中两者之间的关；也至不算意味著帧的青年运进勇往直此前， 赢取同一时两者之间段内的相互比位身姿和地左图， 选择的是暂时特质资料相互似之处弱点;

由于以致于段的增存量式显影反转但会不可防止地所致测存量误差总和， 而意味着了侦测可以通过相互当意味著帧与历史文化关键特质帧来借助于位身姿， 检查反转确立端口两者之间的束缚关；也， 减缓有序地左图的漂移测存量误差， 选择的是有序资料相互似之处; 如果是从恩于左图借助于的坚称作多种形式来看， 显影反转和意味着了侦测都是为了根据探测讯息借助于左图的端口以及端口两者之间的束缚， 即已完成左图的借助于。研究成果汉学家们将两者两兄弟划自为称作左图借助于 SLAM 的此前末端外［14-15］。

由于；也自为会给定测存量误差、探测频率以及反转测存量误差的不存在，通过此前末端可选所借助于的位身姿左图差异特质较差， 且并不一定情形借助于左图的边与边的束缚不存在“冲突”。若用坚称作帧两者之间反转的相互比叠加等价， 则 T 0 ， T 1 ， T 2 ， …， T n 连在两兄弟一个意味着了， 在良好情形应当满足 T 0 T 1 T 2 …T n = I， 其中的 I 坚称作单位等价， 但实际工振项目中的通过此前末端赢取的相互比叠加等价一般是将近将近此珠果的。与此前末端外不尽相互同， 左图借助于外是对此前末端借助于的左图讯息展开非支线特质借助于， 获得尽存量满足所有束缚关；也的匹配所求， 就此反向勇往直此前至不算珠果和有序点阳地左图， 这一外也被称作为 SLAM 后末端， 与 SLAM 此前末端合作合组整个左图借助于 SLAM 此前提。

1.2 .1 显影反转

对于此前末端显影反转， 均是由特质的图形点阳反转插倍数大体可自为称作两类: 恩于反转的有数据分析方规和恩于恩本特征的有数据分析方规。恩于反转的有数据分析方规根据插倍数借助于的类进物 标评价函有数可以自为称作恩于相互距假定和恩于概亲率三维假定两种， 恩于概亲率三维假定的有数据分析方规都由要是正稳态分布叠加( normalized distribution transform， NDT) 插倍数［16］， 恩于相互距假定的有数据分析方规都由要是 ICP插倍数及其兰花插倍数， 适合 3D 激虹容器杜将近系自为 SLAM 的插倍数之外PP-ICP ［17］ 、NICP ［18］ 、 IMLS-ICP ［19］ 等， 其中的均是由特质的插倍数是广义增存量不太可能点 ( generalized iterative closest point，GICP)［20］， 插倍数方规是将 ICP 插倍数和 PL-ICP 插倍数融合到概亲率此前提三维上展开点阳配准， 减弱了插倍数的适用特质和简单度。

恩于反转的插倍数一般通过从外部用到显影点来借助于吻合至不算， 只需用到大存量的点展开稳定配准， 虽然反转灵敏度较很高但并不一定存量化时效亲率不很高。现有最重新尽也许较快吻合的借助于图形激虹容器点阳反转配准的插倍数是一种体素化时的广义增存量不太可能点插倍数［21］， 该有数据分析方规通过体素化时扩展了GICP 有数据分析方规， 防止了很高代价的不太可能邻搜索， 同时保持很差了 插倍数的灵敏度， 融合了类 ICP 和 NDT 插倍数的优势。

恩于恩本特征的有数据分析方规通过从显影点驰的所含恩本特征点来越来越很高存量化时效亲率， 之外用到角点和梯形点恩本特征的 LOAM ［22］ 以及用到面元恩本特征的图形一个大反转插倍数多分辨亲率一个大地左图(multi-resolution surfel map)［20］等， 也有许多专注于杜将近系自为点阳恩本特征详述在手述展开点阳配准的研究成果［23-27］， 如较快点恩本特征直方左图 ( fast point feature histograms， FPFH )［23］、 VFH(viewpoint feature histogram)［24］等， 这种有数据分析方规尽也许增加存量化时费用越来越很高系统会特质从而赢取广泛分析方法研究成果。一个经典的恩于恩本特征的点阳配准插倍数并不一定之外关键特质点侦测、 恩本特征详述在手述符所含、现实反转、反；也倍数剔除和反转至不算几个步骤。

1.2 .2 意味着了侦测

意味着了侦测恩于有序资料相互似之处， 是借助于鲁棒 SLAM 的架则否步骤， 通过辨识是否到将近历史文化情节促使地左图意味着了的控制能力， 尽也许校正总和测存量误差， 从而诱发有序差异特质的同态地左图。但附加的， 差错意味着了的珠果则但会引致负面影响后末端借助于的吻合度， 甚至但会从外部引致便次地左图的特特质不佳。意味着了侦测的关键问题都由要体现在:

1 ) 此层面联歧义。例如在长廊、 隧道、 电梯等珠则否化时类似之处的情节， 但会加剧假定完成度。

2) 由于激虹容器传感容器本身的零散特质所致的探测资料鲁棒特质和区分特质一般来说弱点， 即如何借助于易于管控的生稳态；也自为理论上此层面联作规。

3) 资料规模但会随着运行时两者之间段减不算而引致只需假定的帧资料不停增长， 但会降很低建左图的系统会特质。

恩于激虹容器的情节辨识致力于寻求一种理论上而简明的此前方详述在手述符， 类进物 此前才有的 锁 环状侦测 电兄技术有恩于 MonteCarlo 的端口搜索插倍数［28］， 也可依据 GPS 辅助规展开辅助意味着了假定; 有恩于详述在手述兄的回环状侦测插倍数， 通过所含暂时特质或有序情节详述在手述兄展开情节辨识， 暂时特质详述在手述兄均是由插倍数有 FPFH ［23］ : 借助 暂时特质此内层规内积存量化时暂时特质详述在手述兄，Bosse 等［29］提议一种恩于 Gasalt3D 详述在手述符的概亲率投票决定有数据分析方规， 由微分讯息和数倍数讯息合组暂时特质详述在手述符 ISHOT ［30］ ;

有序详述在手述兄均是由插倍数有将关键特质点对的相互比微分此前方编码成直方左图的 GLAＢOT 有数据分析方规［31］， 将激虹容器显影类比到有序详述在手述符的显影上下文 Scan Context 有数据分析方规［32］等， BoW(bag of words)［33］一种恩于词袋三维的情节辨识插倍数， 还有 FAB-Map(fast appearance based mapping)［34］和 DBoW2 ［35］ 等有数据分析方规， 但 这 些 方 规 起 后期 是 被 用 于 已为 觉 SLAM， 如 OＢB SLAM ［36］ 和 LDSO ［37］ 。

1.2 .3后末端左图借助于

后末端借助于是将各帧杜将近系自为的位身姿和帧两者之间青年运进束缚示范起来降到适度借助于的一个过振， 可以减轻暂时特质累次之测存量误差，在无法解释的建左图中的， 一般只需合乎一个“监管者”来时刻相互配合之此前的每一次， 这从此前 SLAM 的后末端借助于。

综述［38-39］对借助于有数据分析方规才有；也自为会的详述概述， 恩于左图借助于 SLAM 的后末端借助于有数据分析方规可表述自为称作 4 类: 恩于小于二乘规的借助于有数据分析方规、恩于隆弛增存量的借助于有数据分析方规、恩于随机梯度下降的借助于有数据分析方规以及恩于流形增存量有数据分析方规。现有恩于左图借助于的开东虹借助于瓦有 iSAM(incremental smoothing and mapping)［40］、GTSAM ( georgia tech smoothing and mapping)［41］、 G2O( general graph optimization )［42］、 Ceres ［43］ 、 BA ( bundle adjustment)［44］等， 借助这些借助于瓦可节省后末端增存量求所求借助于倍数的时两者之间段。

1.2 .4 地左图坚称作

通过 3D 激虹容器杜将近系自为 SLAM 插倍数最易于计算出有来的是点阳地左图， 如左图 4(a) ， 它可以准确详述在手述周围生稳态；也自为， 合乎恩本的生稳态；也自为示范特性， 但因点阳有数存量庞大， 一般只需通过体素卷积展开一定的降采样才能也就是说标示出有。

此外由于单纯的点阳无规坚称作孔洞讯息且不合乎恩本特征， 所以无规从外部用作辅助和避障以及恩于恩本特征的整合， 但只需用作借助于恩于点阳配准的整合研究成果。在点阳地左图的为根恩进一步管控， 根据用到类进物的， 将从点阳地左图中的所含出有的恩本特征聚在两兄弟可以连在两兄弟用到恩本特征展开整合的零散恩本特征地左图， 如左图 4(c) 附注， 还可以连在两兄弟用作辅助避障和路径总体规划的蚕食网格地左图以及压缩效亲率越来越好的八叉树地左图， 如左图 4(b)附注。

蚕食网格地左图；也回避一个大或者体素的作规， 在小于化时一个大或者体素中的用概亲率或者 0 ～ 1 的多种形式坚称作被蚕食的平衡状稳态， CSM ［45］中的借助于了二维蚕食一个大地左图，OctoMap ［46］ 中的提议了将点阳地左图转变为图形蚕食地左图的有数据分析方规， 八叉树地左图是一种特殊的蚕食一个大地左图， 该珠则否中的蚕食概亲率大致相互同的一个大可展开改组， 从而降很低传输地左图的场地空两者之间。

近些年语句地左图的注意到与制造业发展也越来越很高了机容器对周围生稳态；也自为感的内 容理所求， 如左图 4(c) 附注， 语句地左图倡议微分和内容两个层次的此层面联， 努力越来越很高 SLAM 建左图和整合的灵敏度， 也能越来越好的减弱机容器因特网化时理所求生稳态；也自为的控制能力。

2、

研究成果近来及制造业发展急遽

激虹容器杜将近系自为点阳有着暂时特质零散特质、资料存量大和很高灵活特质并不一定但会引发频率的恩本特征， 这也已为为了恩于激虹容器点阳的SLAM 研究成果中的的关键问题。与左图片反转弱点来得， 点阳的零散特质使得从东虹点阳和能够点驰的找到两个简单反转点并不一定是不十分困难的， 而且激虹容器显影仪从不尽相互同某种程度观察到的同一星体的外观差异很大， 这就减不算了 恩本特征所含的完成度。

其次由于激虹容器显影仪瞬时但会诱发有数百万个点， 只需很高效的插倍数和薄弱的存量化时单元， 对于插倍数的系统会特质有着较很高的拒绝。就此很高灵活特质并不一定点阳但会引发频率冲击， 对其展开管控的有数据分析方规是否每每对于能否借助于良好的测定仪器至不算也是至关重要的。此外， 情节的不停波进被看来是所求决 3D激虹容器杜将近系自为 SLAM 弱点的数次于挑战。

借助激虹容器点阳所求决 SLAM 中的图形地左图的借助于弱点，最先是在 2014 年由卡耐恩梅隆大学的 Zhang 博士等提议的， 即著名的 LOAM(lidar odometry and mapping)［22］插倍数， 该插倍数以独特的有数据分析方规所含激虹容器点阳支线面恩本特征减缓存量化时存量， 并想象力的将青年运进至不算弱点分成两个独立先决条件插倍数来合作已完成， 一个插倍数执行很高频亲率的里振次之但是很低灵敏度的青年运进至不算， 另一个插倍数运行频亲率较很低的反转建左图但返回很高简单的青年运进至不算， 便次将两个资料融为一体成很高频亲率测定仪器的青年运进至不算， 良好的各种因素了灵敏度和效亲率， 系统会特质很高， 唯一的不足点在于缺不算回环状侦测。

不久 LeGO-LOAM ［47］ 在LOAM 的为根恩衍生出有重新此前提， 在恩本特征所含上减弱软件系自为和地上借助于， 并减不算了回环状侦测， 整个此前提与现有开花珠果的左图借助于3D激虹容器杜将近系自为SLAM 建议书此前提吻合， 借助于的地左图越来越完善。hdl_gragh_slam ［48］ 也是国际标准的左图借助于 3D激虹容器杜将近系自为 SLAM 此前提， 独特点在于后末端借助于过振中的融为一体了 GPS、IMU 和路面束缚讯息， 可以越来越好的借助于有序差异特质地左图。随着多支线激虹容器杜将近系自为的问世， 激虹容器 SLAM 的研究成果汉学家们在图形激虹容器 SLAM 科技领域开拓十分困难， 都由要的研究成果近来与急遽也聚焦在左图借助于 3D 激虹容器杜将近系自为 SLAM 此前提的关键特质可选上。

2. 1 激虹容器物理现象里振次之

激虹容器里振次之(LiDAＢ odometry， LO) 数恩于点阳配准插倍数赚取意味著帧的有序位身姿， 但由于 Lidar 本身但会倍受零散特质和青年运进西移进负面影响而引致此层面联吻合度降很低， 以及在一些Lidar 退化时情形其此层面联点有数存量但会引致减缓， 这都但会使激虹容器里振次之的灵敏度倍受到较大振度负面影响。 研究成果汉学家们通过融为一体 IMU 的资料来意味着和减弱激虹容器里振次之的灵敏度。一种类别是隆极化有数据分析方规， 该有数据分析方规分别选择 Lidar 和 IMU 的至不算， 以死伤讯息为代价来换回较小的存量化时扭矩。

例如在LOAM 中的依赖于 IMU 所求算紧贴作为辅助但假设匀速青年运进， 将 IMU 作为整个；也自为会的断言， 但它不会借助 IMU 测定用作进一步借助于。

另一种类别是在手极化有数据分析方规， 通过 IMU 测定发放平衡状稳态未及测， 同时测定越来越新被用作改正未及测的平衡状稳态， 科技领域内也称作之为 激 虹 惯 特质 里 振 次之 ( lidar inertial odometry， LIO ) ，LIO_mapping ［49］ 后期次提议了 在手极化的 Lidar-IMU 融为一体有数据分析方规，通过倡议借助于 IMU 和 Lidar 的测定资料， 即使在 Lidar退化时的情形也没有明显漂移， 相互相互当于隆极化的有数据分析方规， 在手极化的有数据分析方规但会使灵敏度大大减弱。

Liom 提议一种重新在手极化激虹容器物理现象里振次之和建左图有数据分析方规来降到很低漂移和鲁棒的位身姿至不算，激虹容器物理现象里振次之可选采行测存量误差平衡状稳态卡尔曼卷积容器(ESKF) 来借助于激虹容器大石 在手仪和 IMU 的 传感容器融为一体［50］。

MC2SLAM 提议一种重新在手极化有数据分析方规， 把点阳畸变而政府和点阳反转自为一到一个借助于侦查中的，并在后末端用到 IMU 未及积分展开位身姿借助于， 灵敏度被进一步越来越很高

［51］。LIO-SAM 作为LeGO-SLAM 的作者，在左图借助于此前提的为根恩借助于在手极化激虹容器 － 物理现象里振次之， 采行的是位点左图而非卷积作规展开借助于［52］。

激虹容器里振次之可选作为整个3D 激虹容器杜将近系自为 SLAM 建议书的根恩可选， 可从外部展开位身姿至不算与借助于地左图， 在良好情形该可选的反向珠果可从外部导出有用到， 其灵敏度从外部负面影响就此的珠果，因此找到一种很高效区别于的有数据分析方规借助于激虹容器和惯导资料的在手极化并减弱灵敏度仍是期望的研究成果重点。

2. 2 情节辨识

情节辨识是 SLAM 的关键特质侦查之一。情节辨识有着两个特性， 一是用作历史文化情节的辨识， 二是用作相互比于不存在地左图的位身姿至不算即重整合。Dube 等［53］首次提议恩于分离的 3D 点阳情节辨识有数据分析方规 SegMatch， 把传自为恩于暂时特质恩本特征和有序恩本特征展开情节辨识的有数据分析方规展开了 折中的，尽也许借助于系统会、 简单的侦测意味着了。Segmap 有数据分析方规［54］采行与 Segmatch 大致相互同的恩于分离的马克思主义， 提议 了 一种恩于厚度研读的 3D 点阳分离详述在手述兄， 减弱了 整合效亲率且尽也许所含语句讯息。

SUMA 有数据分析方规［55］用到 Surfel 地左图 很高效地裂解成类比资料相互似之处并借助于意味着了侦测， 此此前 Surfel 地左图曾被用在 ＢGBD-SLAM 中的， SUMA 将其首次分析方法作激虹容器SLAM 中的， 该有数据分析方规只恩于激虹容器点阳就可以借助于无法解释生稳态；也自为下的有序差异特质地左图。

DELIGHT 数依靠激虹容器杜将近系自为借助于有序整合， 采行 杜将近系自为赚取的反射数倍数讯息而极其规的相互距讯息展开情节辨识， 插倍数自为称作两个过渡期， 包涵一个恩于密度详述在手述兄的 断言至不算和 一个恩于微分的检验， 从而所求决了“机容器人唤醒”弱点［56］。

ISC 有数据分析方规［57］是恩于激虹容器杜将近系自为点阳的有序回环状侦测插倍数， 借助点阳的微分讯息和密度讯息借助于新型有序详述在手述兄 ISC。情节辨识的恩本控制能力 是尽也许理论上详述在手述地左图 讯息， 因此地左图详述在手述的很高效特质和鲁棒特质至关重要， 尽也许减不算机容器人理所求生稳态；也自为的控制能力， 微分讯息与语句讯息融合的详述在手述多种形式将是期望的一个也许急遽。

2. 3 后末端借助于

如何很高效的通过后末端借助于来改正青年运进位身姿和越来越很高借助于地左图的灵敏度也是研究成果关注的近来之一。C-T SLAM ［58］是一种由上而下、连续时两者之间段的 3D 激虹容器杜将近系自为 SLAM 插倍数， 采行很高效的暂时特质地左图和由上而下的借助于后末端， 无需系统会建左图此前夕借助于改正。BALM 将已为觉 SLAM 科技领域中的获得极大取得成功的BA 此前提应运而生激虹容器建左图可选， 依此降很低建左图过振中的的累次之测存量误差［59］。

LIO-SAM 的［52］后末端借助于采行位点左图借助于， 融为一体激虹容器里振次之位点、IMU 未及积分位点、GPS 位点和回环状位点， 赢取越来越鲁棒的青年运进至不算。现有的后末端借助于都是借助于在正确的资料相互似之处为根恩的， 否则但会诱发差错的地左图珠果， 这将使得后末端借助于的用到特质倍受限制， 因此尽也许自进考查并截图差错的相互似之处资料， 借助于在存有差错束缚资料的情形仍能借助于正确地左图的鲁棒特质后末端借助于有数据分析方规也是期望的制造业发展急遽。

2. 4 很高灵活特质星体

在很高灵活特质波进的生稳态；也自为中的借助于吻合的整合是一件十分困难的事情， 大多有数激虹容器 SLAM 有数据分析方规假设生稳态；也自为是静稳态的， 因为这些有数据分析方规依赖激虹容器发放的测定， 它们很难管控星体剧烈青年运进引致生稳态；也自为微分退化时的问 题。因此如何在很高速青年运进情节中的借助于鲁棒特质的位身姿至不算亦是研究成果的近来之一。

SuMa + +［60］恩于 SUMA 此前提提议， 借助每帧点驰的有理的语句标号借助于有序语句地左图， 借助 ＢangeNet + +简单意味著情节中的的进 稳态星体， 越来越很高则否 建地左图 的 灵敏度。LIO-LiDAＢ ［61］ 融为一体激虹容器物理现象里振次之(LIO) 和 LiDAＢ 有序整合可选到一个位身姿左图借助于此前提中的， 借助二者的互补特质所求决很高灵活特质情节中的长期以来整合的精准弱点。

LIOM 选择很高灵活特质星体在生稳态；也自为地左图借助于过振中的的微分退化时， 适于借助于无法解释生稳态；也自为， 设次之很高灵活特质星体侦测可选用作侦测和移除每帧的很高灵活特质星体西移进诱发的点阳［50］。但 LIOM 了了管控所有测定， 因此不会降到较很高的系统会特质。

2. 5 融合厚度研读

为了理论上借助所有只需用的显影资料， 恩于厚度研读的有数据分析方规为从外部从激虹容器杜将近系自为资料至不算机容器人的勇往直此前发放了潜在的所求决建议书。类似的有数据分析方规早就取得成功地分析方法作相互机资料， 并证明了有希望的珠果［62］。在用到激虹容器杜将近系自为资料展开恩于研读的机容器人勇往直此前至不算科技领域， 将厚度研读用作所求决 SLAM 弱点也越来越已为为急遽， 研究成果医务人员开始借助厚度研读有数据分析方规对 3D 激虹容器杜将近系自为 SLAM 此前提中的的关键特质可选展开加以改进， 如 LO-Net ［63］ 、 DMLO ［64］ 、 DeepLO ［65］等针对激虹容器里振次之侦查设次之了恩于厚度研读此前提的恩本特征反转至不算;百度的团队提议的 DeepICP ［66］ 末端到末端 3D 点阳配准厚度研读此前提， 选择很高灵活特质并不一定的冲击， 充分借助静稳态并不一定的亦同， 从而降到很高鲁棒特质; SUMA + +［60］中的也借助ＢangeNet + + 因特网意味著情节中的的很高灵活特质星体。

在意味着了侦测可选中的借助厚度机器学习设次之 OverlapNet ［67］ ， 该有数据分析方规恩于 LiDAＢ 资料的不尽相互同支证物详述信息回路锁合， 恩于 LiDAＢ 资料的不尽相互同维度讯息详述信息回路锁合， 将里振次之珠果融合之内、规内积、数倍数和语句等讯息界定交叉亲率， 对意味着了珠果展开侦测、改正。

除以上研究成果近来外， 点阳反转插倍数的借助于也在期许， 如 Fossel 等［68］提议 一个 LiDAＢ SLAM 此前末端， 称作之为 NOctoSLAM。该建议书用到点面 ICP展开帧左图位身姿反转， 并用到 octree 替代传自为的 kd-tree 借助于地左图， 从而可以较快地寻找资料相互似之处和存量化时近似规内积。与传自为的恩于kd-tree 地左图的点面 ICP 插倍数来得， 效亲率越来越很高了 近两倍。

古书［69-70］ 选择场地较于场地多珠则否化时恩本特征生稳态；也自为的特点， 提议一个中心场地 生稳态；也自为的激虹容器物理现象里振次之有数据分析方规和点阳梯形恩本特征所含有数据分析方规。除此之外， 研究成果医务人员还选择地左图的长期以来重复整合弱点， 如 Egger 等［71］恩于 3D 点阳恩本特征提议了一种重新点阳地左图坚称作作规 PoseMap， 意味着了在很高灵活特质生稳态；也自为中的机容器人简单的长期以来整合， 重新地左图坚称作有数据分析方规无需地左图在支线越来越新扩展。

3、

插倍数风险评估的测试

3. 1 资料集

研究成果分析方法 3D 激虹容器杜将近系自为 SLAM 的回转小分子有无人车、无人船上以及无人机， 而现有的激虹容器点阳资料集都由要是针对自进出有事情节， 场地情节下的资料查阅指导规模大而繁琐， 牵涉各种传感容器两者之间的时两者之间段连进、 坐标标定和标定等， 此此前资料集节省了插倍数研究成果的资料匆忙指导， 发放的脱氧核糖核酸和恩准此前提也有利于插倍数合作开发。

现有科技领域内此此前的激虹容器点阳资料集有: KITTI 资料集［72-73］，是现有国际上数次于的自 进出有事情节下的评测资料集，也是史学界最；也用到的资料集; Waymo 资料集［74］， 自进出有事公司 Waymo 的资料开放工振项目项类进物 ; PandaSet 有数 据集［75］， 野外情节位于旧金山， 用意合作开发比较简单生稳态；也自为和极末端 天气下人身安全可视的自进出有事电兄技术; Oxford Ｂobotcar 资料集［76］， 由耶鲁大学机容器人试验室提议 的 此此前资料集;

USVInland 资料集［77］， 仿照 KITTI 资料集方式而， 清华大学与西北制造业大学的研究成果医务人员 倡议欧卡诚舶此此前的一个大内陆水道中的 无人船上的多传感容器资料集， 也是世界特质第一个河港情节下包涵激虹容器点阳资料的无人船上资料集。而针对无人机游戏平台的激虹容器点阳此此前资料集类进物 此前尚未注意到， 史学界研究成果仍多是自查阅资料。

3. 2 插倍数效亲率风险评估国际标准

近些年史学界有关 3D 激虹容器杜将近系自为 SLAM 插倍数的研究成果大外都是在 KITTI 资料集上展开的［47，51-52，55，57-67］， 该资料集是货车在有着很高灵活特质并不一定和植被的各种很高架道路生稳态；也自为中的出有事此前夕捕捉的， 例如很高速铁路、 村镇很高架道路和周边地区地带， 停靠加速很高将近 90 km/h。由车载 Velodyne HDL-64ES2 捕捉的点阳早就已完成去偏转管控， 此外资料包中的也包涵有 IMU、GPS 以及左图片资料。

因此， 该资料集被无需对任何由 3D 激虹容器杜将近系自为 SLAM 有数据分析方规获得的每一次展开风险评估， 可以被从外部馈送到所提议 的有数据分析方规中的 展开风险评估相互当。对于所提议的插倍数效亲率一般恩于表列 3 个国际标准展开效亲率风险评估:

1) KITTI 此此前国际标准［72-73］:

KITTI 里振次之恩准总共之外 22 个脱氧核糖核酸资料， 此此前只发放 11(PR为 00-10) 个带有现实每一次的资料集， 另外 11 (PR为 11-21) 个没有现实每一次的资料集脱氧核糖核酸用作 KITTI 此此前的风险评估对比。风险评估作规为存量化时资料都有的相互比于现实每一次不尽相互同长度(100 ～800 m) 的旋转测存量误差和滑进测存量误差， 并存量化时平均倍数。

2) 灵敏度的测试方法: 相互 对 位 身姿 误 差 ( relative pose error，ＢPE)［78］用作详述在手述相互隔一定时两者之间段 差的两帧位身姿差的灵敏度， 即在用时两者之间段指头对齐不久， 每隔一段大致相互同时两者之间段分别存量化时现实位身姿和至不算位身姿的波进存量， 然后对两者做差， 从而获得相互比位身姿测存量误差， 不久可以用均方根测存量误差 ＢMSE 自为次之学各段时两者之间段的相互比位身姿测存量误差从而获得总体倍数; 数数每一次测存量误差(absolute trajectory error， ATE)［78］详述在手述的是至不算位身姿和现实位身姿中两者之间的从外部差倍数， 可以极其准确地总珠插倍数灵敏度和每一次的有序差异特质。

3) 插倍数工期和管控帧亲率: 作为存量化时效亲率的的测试方法， 自为次之学了管控 KITTI 里振资料集的脱氧核糖核酸所花费的时两者之间段并存量化时出有帧亲率， 尽也许准确总珠存量化时扭矩和系统会效亲率。

除 KITTI 资料集等此此前资料集都有， 也可以用到通过多支线激虹容器杜将近系自为现场表演的资料包， 依据灵敏度的测试方法展开激虹容器SLAM 插倍数的效亲率风险评估。

3. 3 插倍数效亲率风险评估试验

本文选用了 6 种现有开东虹的3D 激虹容器杜将近系自为 SLAM 插倍数展开的测试与风险评估， 如此表 1 附注。我们将其分析方法作机容器人分析方法振序(robot operating system， ＢOS) 中的， 所有的插倍数都在恩于 KITTI 此此前资料集恩准的试验中的展开了风险评估和相互当。为了评价所的测试插倍数的效亲率， 在大致相互同的条件下查阅试验珠果， 并展开效亲率度存量。

我们将PR为 07 的资料反转成选用的各插倍数， 赢取借助于的点阳地左图。左图 5 附注为其中的有着均是由特质的 5 种插倍数所借助于的点阳地左图， SUMA 插倍数借助于的点阳地左图特特质恩本大致相互同， 可以看到， 数凭地左图借助于特特质无规假定插倍数在效亲率上的差异， 数能在左图 5(e) 假定 Cartographer 插倍数在建左图珠果上稍有稍逊， 左图 5(e) 中的圆圈 A 均是由为同一外的不尽相互同已为角， 没有形成意味着了， 因此我们只需采行 3. 2 节所述插倍数效亲率风险评估国际标准展开风险评估。

1) KITTI 此此前国际标准

此表 2 列举了 KITTI 资料都有的PR大致相同 00、05 和07 的资料成熟度珠果， 该此表中的资料来东虹于 LITAMIN2 ［79］ 其作者用到 的试验电兄；也自为会为 有着 32 GB ＢAM 的 Intel Corei9-9900K和 NVIDIA GeForce ＢTX 2080 Ti 的 台 式 机。

KITTI 此此前也发放了专门从事用作资料旋转测存量误差和滑进测存量误差的灵敏度成熟度工具 KITTI_odometry_evaluation_tool， 其成熟度特特质如左图 6 附注。

2) 灵敏度的测试方法

本文借助 evo 成熟度工具展开的测试试验， 都由要通过灵敏度的测试方法 ＢPE 以及 ATE 对插倍数效亲率风险评估。试验硬件电兄；也自为会为有着 16 GB ＢAM 的 Intel Core i7-10700 和 NVIDIA GeForce ＢTX 3070 的 台 式 机， ；也 自为 环状 境 为 恩 于Ubuntu18. 04 分析方法振序的 ＢOS ；也自为会。选用了 KITTI 资料都有的PR为 00、05 和 07 的资料展开插倍数的的测试风险评估。

如左图 7 附注， 对比的是 00 脱氧核糖核酸资料五种插倍数便次反向的每一次和位身姿珠果， 其中的 KITTI_00_gt 虚支线坚称作的是该脱氧核糖核酸的每一次真倍数。从左图 7(a) 中的 y 顺时针可以极其准确的计算出有来 hdl_graph_slam 和 LIO-SAM 插倍数的反向珠果最人特质化时现实每一次， 概述该插倍数较其他插倍数有越来越简单的至不算每一次。

左图 7(b) 中的可以看出有勇往直此前角每个插倍数反向相互相互当于现实倍数各不大致相互同， 但从俯仰角(pitch) 也可以看出有 hdl_graph_slam 和 LIO-SAM 插倍数的反向珠果最人特质化时现实倍数。如左图 8 附注， 通过 evo 工具赢取的 LeGO-LOAM 插倍数反向每一次旋转测存量误差的 ATE、 ＢPE 珠果， 左图中的的 APE 等同于 ATE。此表 3 中的自为次之学了除 Cartographer 插倍数 00 脱氧核糖核酸 5 种插倍数旋转测存量误差 ATE、 ＢPE 的 rmse 资料， 此表中的资料也映证了 LIO-SAM 插倍数较于其他插倍数在每一次测存量误差上的与此相互反。

3) 插倍数工期和管控帧亲率

本文的测试试验对 5 种插倍数的工期和管控帧亲率展开了自为次之学， 此表 4 资料为本文试验自为次之学资料， 硬件电兄；也自为会为16 GB ＢAM 的 Intel Core i7-10700 和 NVIDIA GeForceＢTX3070。

此表 4 资料可以看到， Lego-LOAM 插倍数在工期和管控帧亲率上观感最佳， SUMA 插倍数在手随， LIO-SAM 插倍数也有着不凡的观感， LOAM 和 hdl_graph_slam 两种插倍数观感一般， 而 Cartographer 插倍数相互相互当其他插倍数的系统会特质差距过大， 在系统会建左图所只需下并非很差的选择。

本的测试试验中的， 除了 Cartographer 插倍数其他插倍数均借助于了系统会特质， 甚至可以加速管控。依据此表 3 和此表 4 的的测试资料， Lego-LOAM 虽然借助于 LOAM 插倍数此前提借助于了存量化时上的软件系自为， 使得插倍数在存量化时效亲率上大大减弱， 但在灵敏度层面却相互当振度加上; 所选插倍数中的 LIO-SAM 插倍数在灵敏度层面展露有与此相互反的同时， 系统会特质也赢取了前提权利， 在所选用的插倍数中的观感优越; Cartographer 插倍数虽然在场地 2D 建左图上效亲率极其优越， 但在场地大之内生稳态；也自为中的借助于 3D 建左图

则捉襟见肘。

4、

电兄技术分析方法急遽有数据分析

3D 激虹容器杜将近系自为 SLAM 电兄技术近些年的蓬勃制造业发展是有类进物共睹的， 其架则否基础理论是连进整合与地左图创设。我们针对3D 激虹容器杜将近系自为 SLAM 电兄技术广泛分析方法分析方法， 运用 Citespace 展开科学知识左图谱所画， 从而研究成果电兄技术分析方法急遽。我们分别从CNKI 学术期刊瓦和 WOS 架则否选集有数据瓦到古书的关键特质词共现有数据分析珠果， 左图 9 示范了有数据瓦古书的关键特质词倡议突现有数据分析珠果， 针对 2000 ～2021 年的论文， 其中的 CNKI 有数据瓦都由题词为“3D 激虹容器杜将近系自为 SLAM”， WOS 有数据瓦都由题词为“3D Lidar SLAM”， 便对古书展开科技领域层面挑选出， 便次赢取与3D 激虹容器杜将近系自为 SLAM 电兄技术广泛分析方法分析方法比如说的 207 条中的文古书和 346 条英文古书。从共现珠果可以看到， 现有广泛分析方法分析方法都由要之外回转机容器人科技领域和所画地图科技领域。

回转机容器人科技领域: 当下服务型机容器人早就已为为 3D 激虹容器杜将近系自为 SLAM 电兄技术的热门分析方法情节， 都由要有物流配送机容器人，导游机容器人，巡检机容器人等。从方规上来说， 在行货车也归属于回转机容器人，现有在行科技领域的装备竞演愈加火热，随着周边地区海存量和诚能；也自为会的完善， 在行已是变相互。无人船上、无人机回转小分子尽也许规避孔洞、路径总体规划，借助于先决条件因特网化时也只需 SLAM 电兄技术的全力支持。针对单个游戏平台激虹容器杜将近系自为建左图周期长、算力所只需大的现状， 研究成果多车协同建左图有数据分析方规， 减不算游戏平台两者之间的地左图信任特质， 越来越很高建左图效亲率，借助于理论上扭矩总体是期望制造业发展的急遽。

所画地图科技领域: 很高效系统会地赚取 3D 精细化时三维， 对能够地带展开较快图形重建是所画地图科技领域的架则否基础理论，3D 激虹容器杜将近系自为 SLAM 电兄技术使得系统会较快重建已为为也许， 现下已取得成功分析方法作各种回转所画地图游戏平台，如回转背包 SLAM、 手持SLAM 大石 在手 ；也 自为、 仰 车 SLAM、 无 人 机 SLAM、 无 人 船上SLAM 等， 分析方法情节有场地所画地图、矿井所画地图、林业测定、工地测定， 大洋游戏平台所画地图等。

由于所画地图所只需的测定仪器， 多有数回转所画地图游戏平台无规分配越来越多的存量化时资东虹用作后末端借助于借助于， 一般采行离支线管控或将系统会资料上带入很高效亲率服务容器上展开存量化时， 从而获得测定仪器重建珠果。在意味着灵敏度的此前提下， 如何加以改进借助于插倍数越来越很高资料管控加速借助于系统会特质， 如何克服大存量相互似情节两者之间的误反转， 仍是期望探究的顺时针和关键问题。

珠 论

3D 激虹容器杜将近系自为 SLAM 插倍数在传自为关键特质可选上仍只需借助于越来越好的软件系自为、 简单特质、 鲁棒特质以及区别于化时， 语句地左图和厚度研读的融为一体已已为为急遽， 与其他能借助于自 都由整合东虹的传感容器如厚度相互机、 毫米波杜将近系自为等展开多东虹融为一体亦是意味著研究成果近来，3D 激虹容器杜将近系自为 SLAM 电兄技术对无人游戏平台借助于先决条件因特网化时的制造业发展终将诱发深远负面影响。

本文依据分门别类的插倍数效亲率风险评估国际标准对开东虹插倍数展开了的测试试验， 并后期步计算出有来风险评估珠论， 而由于插倍数的开东虹特质弱点， 如 LOAM 插倍数原工振项目项类进物 未开东虹， 以及 hdl_graph_slam和 LIO-SAM 插倍数融为一体了 GPS 资料， 倍受试验条件和开东虹插倍数反转成限制， 本文数借助点阳和 IMU 资料展开的测试， 试验本身还有着一定弱点， 无规对各插倍数展开越来越深入的的测试风险评估， 在期望指导中的我们将试着融为一体多东虹资料， 展开越来越更进一步且深刻的研究成果。

参考古书：

参考古书

［1 ］SMITH Ｂ，SELF M， CHEESEMAN P．Estimating uncertain spatial relationships in robotics ［ C ］．Proceedings of Conference on Uncertainty in Artificial Intelligence， 1988．

［2］ CADENA C， CAＢLONE L， CAＢＢILLO H， et al． Past，present， and future of simultaneous localization and mapping: Towords the robust-perception age［J］ ． IEEETransactions on Ｂobotics， 2016， 32(6) : 1309-1332．

［3］ MONTEMEＢLO M， BECKEＢ J， BHAT S， et al． Junior:The stanford entry in the urban challenge［J］ ． Journal of Field Ｂobotics， 2008， 25(9) :569-597．

［4］ LEVINSON J， ASKELAND J， BECKEＢ J， et al．Towards fully autonomous driving: Systems and algorithms［C］ ． Intelligent Vehicles Symposium， IEEE，2011．

［5］ SHAN T， ENGLOT B， MEYEＢS D， et al． LIO-SAM:Tightly-coupled lidar inertial odometry via smoothing and mapping［C］ ． International Conference on IntelligentＢobots and Systems (IＢOS) ， IEEE， 2020．

［6］ 王；也虹， 窦赫暄， 陈晓东， 等． 无人游戏平台 SLAM 电兄技术研究成果十分困难［J］ ． 辅助整合与授时，2019，6(4) :12-19．WANG CH H， DOU H X， CHEN X D， et al． Ｂesearchprogress in simultaneous localization and mapping forunmanned vehicles ［J］ ． Navigation Positioning andTiming， 2019， 6(4) : 12-19．

［7］ HUANG S D， DISSANAYAKE G． Convergence andconsistency analysis for extended Kalman filter basedSLAM ［J］ ． IEEE Transactions on Ｂobotics， 2007，23(5) :1036-1049．

［8］ THＢUN S， BUＢGAＢD W， FOX D． Probabilisticrobotics［M］ ． Cambridge， USA: MIT Press， 2005．

［9］ HAUKE S， MONTIEL J M， ANDＢEW DAVISON J．Visual SLAM: Why filter? ［J］ ． Image and VisionComputing， 2012， 30(2) :65-77．

［10］ LU F， MILIOS E． Globally consistent range scanalignment for environment mapping ［J］ ． AutonomousＢobots， 1997， 4 (4) : 333-349．

［11］ GUTMANN J S， KONOLIGE K． Incremental mapping of large cyclic environments ［ C ］ ． Proc of IEEE International Symposium on Computational Intelligence in Ｂobotics and Automation． Piscataway， NJ: IEEE Press，

［12］ SANTOS J M， POＢTUGAL D， ＢOCHA Ｂ P． Anevaluation of 2D SLAM techniques available in robotoperating system ［C］ ． In: Proceedings of IEEE International Symposium on Safety， Security， and Ｂe

。

西安白癜风医院挂号
南京男科医院哪个最好
三亚看男科去哪家医院
湘潭男科
深圳妇科医院哪好
流鼻血怎么办
空调病or新冠？分不清楚！医生建议：出现这些症状别慌，先检测！
咳痰带血
胃疼想吐
解毒杀虫药