SLAM关键问题解析

2025-09-30 理论教育版权反馈

【摘要】：如何处理不确定性，尽量减少各种客观存在的不确定性引起的误差，既是SLAM的关键，也是各种算法的精髓。4）积累误差SLAM中的误差主要来自3个方面：观测误差、里程计的误差和错误的数据关联带来的误差。因此，智能汽车的位置误差与特征标志的位置误差密切相关。5）地图表示法基于几何特征的环境地图表示法，由于具有存储空间简约、直观且易于实现等优点，是SLAM研究中应用最广泛的表示方法。

尽管SLAM算法的理论已经有了很好的基础，但是要将其运用于实际应用中，特别是大型的非结构化环境下的SLAM，仍有大量理论和实际的问题需要解决，主要包括：

1）不确定性处理

SLAM的困难首先存在于系统无处不在的不确定性。智能汽车本身的机械性能或未知外力造成的不确定性将导致运动估计出现误差。观测的不确定性（包括传感器的不确定性和数据关联的不确定性）将导致校正失败，更不必说动态环境中的环境不确定性。如何处理不确定性，尽量减少各种客观存在的不确定性引起的误差，既是SLAM的关键，也是各种算法的精髓。

2）数据关联

数据关联是对两个特征标志进行匹配，确定它们是否对应环境中的同一特征。数据关联不准确将导致滤波器发散。SLAM过程中数据关联主要完成两项任务：新环境特征的检测和特征匹配。虽然在目标跟踪、传感融合等领域，数据关联已经得到较好的解决，但这些方法的计算量大，不能满足SLAM的实时性要求。譬如实现m个观测特征与拥有n个特征的地图之间的数据关联，其复杂度与m呈指数关系。假设每次观测到的特征i都有ni个可能的匹配，那么对于m个标志需要在指数空间中搜索正确的匹配。数据关联的搜索空间与环境的复杂程度以及智能汽车的定位误差有关，环境的复杂程度的增加会使m增大，而误差的增大会使ni增大。目前常采用的数据关联方法是最近邻法（Nearest Neighbor，NN）。该方法简单，但对距离很近的两个特征，算法容易导致关联不准确。近年来关于数据关联的研究逐渐增加，相继提出了基于联合兼容性测试的数据关联方法，基于几何关系的数据关联方法等。尽管基于概率的方法巧妙地绕过数据关联问题，但非常高昂的计算代价不利于其在大规模环境下的应用。

3）计算复杂度

智能汽车要求地图创建与定位必须能够在线计算，因而对计算复杂度的要求是非常苛刻的；而在SLAM中因为是智能汽车与特征标志之间的相对观测，所以智能汽车位姿的估计误差与地图的估计误差强相关，在估计过程中必须保存这些状态之间的相关性（即保存整个协方差矩阵P），以得到估计的一致性。这样，算法的空间复杂度应为O（n2）（n为地图中路标的个数）。针对系统对计算复杂度的要求，为保证一致估计，每次测量后都必须对协方差矩阵P做更新操作，时间复杂度为O（n3），利用观测矩阵的稀疏特性和静态路标的特点，时间复杂度可降为O（n2）。这样仍然不能满足大规模地图构建和实时导航的需要，因此研究如何降低SLAM算法的复杂度具有积极意义。(https://www.chuimin.cn)

4）积累误差

SLAM中的误差主要来自3个方面：观测误差、里程计的误差和错误的数据关联带来的误差。当智能汽车在已知地图的环境中进行定位时，智能汽车可以通过观测位置已知的特征标志对里程计的误差进行补偿，而每次观测都使智能汽车的位置误差趋向于观测误差与特征标志的位置误差之和。然而，由于智能汽车的位置和环境中的特征标志的位置都是未知的，故观测信息不能有效地纠正里程计误差，智能汽车的位置误差的增大将导致错误的数据关联，从而增大特征标志的位置误差；反过来，特征标志的误差又将增大智能汽车的位置误差。因此，智能汽车的位置误差与特征标志的位置误差密切相关。它们之间的相互影响使智能汽车和特征标志的位置估计产生累积误差，难以保证地图的一致性。

5）地图表示法

基于几何特征的环境地图表示法，由于具有存储空间简约、直观且易于实现等优点，是SLAM研究中应用最广泛的表示方法。然而，SLAM问题属于超多维问题，譬如基于路标特征的SLAM问题中，假设路标在系统坐标中的位置为（px，py），二维空间中智能汽车的位姿为（x，y，θ），环境地图中有n个路标，则系统就需要2n＋3个参量与之相对应。可见，当智能汽车运动空间较大时，随着智能汽车不断地进行环境特征提取，环境特征数目n将达到上百，甚至上千个数量级。这对计算机存储和处理提出了更高的要求。另一种常用环境描述法是基于网格的地图表示法，但它同样受到环境规模和栅格分辨率的影响：分辨率低对环境的表示精度降低；分辨率高，且环境地图大，则内存的消耗量大，特别是对三维地图尤为明显。可见，研究地图的表示法，特别是三维环境下的地图表示法，在SLAM研究中具有现实意义。

在SLAM 20多年发展中，其研究范围不断扩大，从有人工路标到完全自主，从户内到户外，从二维到三维，SLAM的研究已经在理论和实践方面取得了很大进展，建立了一批实用性很强的SLAM方法，并已应用于各种不同的环境。

SLAM关键问题解析

相关推荐