第四篇:激光雷達slam圖優(yōu)化理論
這篇逐漸，我想處心積慮地詳細介紹激光雷達SLAM圖優(yōu)化理論，并為此基礎理論設計方案后面地圖優(yōu)化方法，那樣，有關激光雷達地圖搭建的概念就基本上講解結束了，剩余的也是具體運用難題。這篇關鍵論文參考文獻材料：
Globally Consistent Range Scan Alignment for Environment Mapping.
Efficient Sparse Pose Adjustment for 2D Mapping.
A Tutorial on Graph-Based SLAM.
圖優(yōu)化理論中，實質或是優(yōu)化理論，關鍵涉及到最少均方二次優(yōu)化方法。這兒的圖與組合數(shù)學的圖論或是有一些差別，這兒的圖僅僅一個品牌形象的形容，實質是優(yōu)化理論。全自動導航欄中的最短路徑算法Planning定義就非常深層次解讀組合數(shù)學中圖論的有關常識了，中后期具體運用時我能專業(yè)詳細描述一下有關定義，現(xiàn)階段依然以優(yōu)化理論為核心開展詳細介紹。2、
激光雷達掃描儀位置從P0逐漸，順著P1，P2，……，一直到Pn-1，Pn。完畢點Pn在起止點P0周邊。Pn的坐標位置能夠 通Pn-1得到，自然還可以根據(jù)P0得到。顯而易見因為偏差存在的問題，Pn各自從Pn-1和P0得到的坐標不一樣。如根據(jù)Scan to scan，Pn根據(jù)P0得到的坐標精確點，根據(jù)Pn-1得到的坐標偏差大些，由于總計偏差比較大；如根據(jù)Scan to map得到坐標，因為地圖信息內(nèi)容在不斷地轉換，因而P0、Pn二點地圖信息內(nèi)容和P0、P1、P2、…、Pn-1、Pn全部點地圖信息內(nèi)容也不一樣，因而取得的Pn點坐標也不太可能重疊。
那麼該怎么辦，簡易方式 也是能夠根據(jù)Pn-1和P0的加權平均值獲得Pn的位置坐標。那樣，Pn-1的位置坐標也需要升級了，一樣Pn-2,Pn-3這些都必須再次升級一下。因而人們必須一個統(tǒng)一的辦法去解決以上的難題。
第四篇結語：
運用圖優(yōu)化理論去清除位置坐標偏差方式 是十分完善的，這兒的清除不是說沒有偏差，只是降至最少。一般實際運用時，大家一般收集好激光雷達數(shù)據(jù)信息，開展地圖搭建，地圖搭建中運用圖優(yōu)化理論減少環(huán)回偏差，調整位置坐標，并且位置中間互相管束關聯(lián)也按照具體情況求得，針對大范疇地圖，這一全過程也許會耗費兩三個鐘頭。你也許要說，那麼慢如何即時。這兒表明一下，最先工業(yè)生產(chǎn)等級激光雷達信息量比幾百元或是上一千元的電子器件消費等級（如智能掃地機，智能機器人）激光雷達大的多，一樣的優(yōu)化算法必須解決大量數(shù)據(jù)信息；一般即時指中后期導航定位即時，前提條件是地圖事前轉化成好啦，我們在第一次建圖時也是以精確建圖為總體目標，并且一般地圖毫無疑問還必須開展人為因素改動后才會宣布應用，這個是工業(yè)生產(chǎn)壞境中的運用。
圖優(yōu)化理論是強有力的，我還在具體數(shù)據(jù)測試模擬仿真時在位置坐標中添加高斯噪聲，提升出去的具體位置還很精確，如下所示兩圖比照：
下面的圖位置坐標添加高斯噪聲建圖：
下面的圖在添加高斯噪聲位置坐標開展圖提升測算后建圖：
能夠 見到，仿佛過濾一樣，把高斯噪聲濾掉了，第一次具體見到數(shù)據(jù)信息結果時還是蠻震驚的，感慨圖優(yōu)化理論的強勁。
最終表明：我迄今為止只講了提升的有關基礎理論。為了更好地簡易表明，自然環(huán)境假定靜態(tài)數(shù)據(jù)不會改變?？墒侵泻笃诰唧w運用，如動態(tài)性最短路徑算法，地圖自然環(huán)境更改時定位導航等，我能此外抽時間實際解讀一些解決方式 。尤其是動態(tài)性最短路徑算法，具體環(huán)境有靜止的途徑定速巡航，自然大量的是動態(tài)性的定速巡航，并且在地圖環(huán)境轉變時，例如自然環(huán)境更改，有技術人員在內(nèi)場健身運動，這時候的導航欄和精準定位自然環(huán)境愈發(fā)極端，對優(yōu)化算法穩(wěn)定性規(guī)定更為變大，相比靜態(tài)數(shù)據(jù)自然環(huán)境。這時候或許必須其他感應器來輔助這些。
到迄今為止三絕大多數(shù)解讀結束，講了毛皮罷了，優(yōu)化理論很廣很強勁，還需再次深入分析，還有機會再討論。
