SLAM在自动驾驶中的应用
单目视觉SLAM技术及其应用
单目视觉SLAM技术及其应用随着机器人技术的不断发展，单目视觉SLAM（Simultaneous Localization and Mapping）技术逐渐成为机器人导航和环境建模的重要工具。
本文将介绍什么是单目视觉SLAM技术，其原理和实现方式，并探讨其在实际应用中的潜力和挑战。
首先，让我们了解什么是单目视觉SLAM技术。
单目视觉SLAM是指利用单个摄像头获取场景信息，同时实时进行自身定位和环境地图构建的技术。
相比于传统的多传感器SLAM系统，单目视觉SLAM具有成本低、易于部署和灵活性等优势。
它通过从单目相机获取的视频流中提取特征点，并通过运动估计与地图生成相互关联，实现机器人的自主导航和环境建模。
在单目视觉SLAM技术中，关键的挑战之一是在缺乏绝对定位信息的情况下进行相机自身的定位。
为了解决这个问题，研究者们提出了一系列基于特征点的定位算法。
其中最常用的方法是基于特征匹配和三角化的方式，通过匹配相邻帧之间的特征点，并计算相机位姿。
此外，还有基于直接法的定位方法，它通过直接比较连续帧之间的图像亮度值和梯度信息，实现快速的位姿估计。
除了位姿估计，单目视觉SLAM还需要实时地进行环境地图的构建。
这一步骤主要依赖于利用传统的基于特征点的视觉里程计算法，通过特征点的连续观测来估计相邻帧的相对位姿，然后通过图优化的方式将所有帧的位姿进行联合估计，进而构建出环境地图。
这种方法的优势在于可以处理动态环境中的特征点更新与删除问题。
然而，单目视觉SLAM技术也面临一些挑战。
首先，单目视觉系统在室外或大场景中容易受到光线变化、遮挡和纹理缺乏等因素的影响，导致特征点提取和跟踪的困难。
其次，由于单目相机只能提供二维图像，无法直接感知三维结构，因此需要通过视差估计、稠密重建等方法对场景进行深度恢复。
最后，单目视觉SLAM 技术需要解决运动估计和地图构建两个问题的实时性要求，考虑到计算资源的限制和算法的复杂性，实现稳定且高效的SLAM系统仍然是一个挑战。
slam技术应用实际例子
slam技术应用实际例子
SLAM（Simultaneous Localization and Mapping）技术是一种用于机器人自主定位和导航的技术。
以下是一些SLAM技术的应用实际例子：
1. 无人驾驶汽车：无人驾驶汽车是SLAM技术的重要应用之一。
通过SLAM技术，无人驾驶汽车可以在未知环境中进行自主导航，并构建出周围环境的地图。
例如，谷歌的Waymo无人驾驶汽车就使用了SLAM技术。
2. 无人机：无人机可以使用SLAM技术进行室内和室外导航。
通过构建周围环境的地图，无人机可以自主飞行并避免碰撞。
例如，大疆的Phantom 4 Pro无人机就使用了SLAM技术。
3. 机器人：在工业和商业领域，SLAM技术被广泛应用于机器人。
通过SLAM技术，机器人可以在未知环境中进行自主导航和定位，从而完成各种任务。
例如，扫地机器人可以使用SLAM技术来构建室内地图，并自主规划清扫路线。
4. AR/VR：SLAM技术也被广泛应用于增强现实（AR）和虚拟现实（VR）中。
通过SLAM技术，AR/VR设备可以在现实世界中构建虚拟对象，并让用户与这些对象进行交互。
例如，AR游戏可以使用SLAM技术让玩家在现实世界中与虚拟的游戏对象进行互动。
5. 智能家居：SLAM技术也可以应用于智能家居中。
例如，智能音箱可以使用SLAM技术来识别用户的语音指令，并执行相应的任务。
同时，智能家居系统也可以使用SLAM技术来协调不同设备之间的动作和功能。
总之，SLAM技术在许多领域都有应用，可以帮助机器人和设备在未知环境中进行自主导航和定位，从而提高了它们的智能化水平和自主性。
视觉SLAM技术在车辆自动驾驶中的应用探究
视觉SLAM技术在车辆自动驾驶中的应用探究一、前言随着自动驾驶技术的逐步发展，车辆需要不断地感知周围环境并作出相应的决策。
其中，视觉SLAM技术成为了车辆自动驾驶中不可或缺的一环。
视觉SLAM技术通过分析相机图像，从而实现对车辆当前位置和姿态的确定以及对周围环境的三维建模。
本文将从基础原理、技术应用、研究方向等方面，探究视觉SLAM 技术在车辆自动驾驶中的应用现状和未来趋势。
二、视觉SLAM技术基础原理视觉SLAM技术首先依赖于相机成像原理。
相机成像原理是指相机将实物成像在感光片上的能力。
在成像的过程中，光线通过透镜进入相机，经过成像传感器成像，最终得到数字图像。
而相机成像的质量与成像物体之间的距离和相机参数有关。
因此，视觉SLAM技术的成功与否大多数取决于相机的姿态和成像质量。
在实现SLAM过程中，视觉SLAM技术通过传感器数据（主要为相机图像）和传感器状态（例如相机姿态和速度等）来确定车辆当前位置和姿态以及周围环境的三维结构信息。
基于这些信息，可以实现对车辆的控制和环境中其它对象的识别和追踪等目标。
视觉SLAM技术主要包括以下两个方面：1、视觉定位视觉定位旨在确定车辆当前的位置和姿态。
实现方式通常是通过相机拍摄连续的图像来计算相机的运动轨迹，这一过程被称为视觉里程计。
视觉里程计能够建立车辆在二维平面中的轨迹，但受到环境的影响，定位结果可能有一定的累积误差。
因此，一些算法在视觉里程计的基础上，加入其它传感器信号（例如惯性测量单元IMU），能够更准确地计算车辆的位姿。
同时，视觉里程计还可用于建立车辆周围环境的点云图像，后续的SLAM中可用于地图构建。
2、环境建图环境建图旨在利用相机拍摄的图像，建立周围环境的三维模型。
具体而言，该过程是通过计算图像中的深度信息，构建点云图像。
点云图像是由二维图像中的散点云构成的一种三维模型。
通过将不同时刻拍摄到的点云图像构建在一起，可得到完整的三维地图，再利用该地图进行定位。
激光slam技术的原理和应用
激光slam技术的原理和应用激光SLAM技术的原理和应用激光SLAM（Simultaneous Localization and Mapping）技术是一种基于激光雷达的同时定位和建图技术，它通过使用激光雷达扫描环境，实时获取周围的地理信息，并利用这些信息进行自主定位和建立环境地图。
激光SLAM技术的原理可以概括为以下几个步骤：1. 数据获取：激光雷达通过发射激光束并接收反射回来的光线，利用光的传播速度和接收时间差计算出距离信息。
通过旋转或调整激光雷达的角度，可以获取周围环境的三维点云数据。
2. 特征提取：从激光雷达获取的点云数据中，提取出具有代表性的特征点，如角点、平面点等。
这些特征点可以用来进行地图的构建和定位。
3. 地图构建：通过特征点的集合，可以构建环境的地图。
构建地图的算法可以根据特征点的位置和特征进行优化和调整，以减少地图的误差。
常见的地图表示方式有栅格地图、拓扑地图和点云地图等。
4. 定位更新：在地图构建的同时，激光SLAM技术还可以实时进行自主定位。
通过与地图进行匹配，可以确定机器人当前的位置。
定位更新可以通过滤波算法（如卡尔曼滤波、粒子滤波等）来实现，以提高定位的准确性。
激光SLAM技术的应用非常广泛，以下列举几个常见的应用领域：1. 自动驾驶：激光SLAM技术是实现自动驾驶的关键技术之一。
通过激光雷达扫描周围环境，实时构建高精度的地图，并实现精确定位，可以使自动驾驶车辆在复杂道路条件下实现精确的定位和路径规划。
2. 无人机导航：激光SLAM技术在无人机导航中也有广泛的应用。
通过激光雷达扫描周围地形，可以构建高精度的地图，并实现无人机的自主定位和避障，实现精确的飞行路径规划。
3. 室内导航：激光SLAM技术可以应用于室内导航系统中。
通过激光雷达扫描室内环境，构建室内地图，并实现用户的定位和导航。
这对于大型建筑物、商场等复杂环境的室内导航非常有用。
4. 智能仓储：激光SLAM技术可以应用于智能仓储系统中，实现自动化的货物搬运和仓库管理。
全景视觉与激光雷达融合的SLAM技术
全景视觉与激光雷达融合的SLAM技术一、引言1.SLAM技术的重要性及应用领域SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）技术是机器人和自动驾驶领域中的关键技术之一。
它允许机器人在未知环境中自主导航，同时构建环境的地图。
SLAM技术在智能家居、工业自动化、救援机器人、无人驾驶车辆等领域有着广泛的应用前景。
2.全景视觉与激光雷达在SLAM中的作用全景视觉通过广角相机捕捉360度的图像，提供丰富的环境信息，有助于机器人对环境进行感知和理解。
激光雷达则通过发射激光束并测量反射回来的时间，获取环境的精确距离信息，为机器人的定位和地图构建提供准确的数据。
3.融合全景视觉与激光雷达的意义和优势全景视觉和激光雷达各自具有独特的优势，但也存在局限性。
全景视觉对环境的外观和光照条件敏感，而激光雷达则对环境的结构和距离信息敏感。
将全景视觉与激光雷达融合，可以充分利用两者的互补性，提高SLAM系统的鲁棒性和准确性。
融合后的系统能够在复杂环境中实现更稳定的定位和更精确的地图构建。
4.论文目的与主要研究内容本文旨在研究全景视觉与激光雷达融合的SLAM技术，探索有效的融合策略和优化算法，提高SLAM系统的性能。
主要研究内容包括全景视觉和激光雷达的数据预处理、融合SLAM算法设计、实验验证与结果分析等。
二、相关工作综述1.SLAM技术发展历程及现状自从SLAM技术提出以来，它经历了从基于滤波的方法到基于优化的方法的演变。
近年来，随着深度学习的发展，基于深度学习的SLAM技术也取得了显著的进展。
目前，SLAM技术已经成为机器人和自动驾驶领域的研究热点之一。
2.全景视觉SLAM技术研究现状全景视觉SLAM技术利用全景相机捕捉的360度图像进行定位和地图构建。
现有的全景视觉SLAM算法主要包括基于特征的方法和基于深度学习的方法。
基于特征的方法通过提取图像中的特征点进行匹配和位姿估计，而基于深度学习的方法则利用神经网络学习图像的特征表达并进行位姿估计。
slam技术的应用领域
slam技术的应用领域SLAM技术全称Simultaneous Localization and Mapping，是在未知环境中，实时地构建地图并同时进行定位的一种技术。
它广泛应用于机器人、自动驾驶、增强现实等领域。
以下是SLAM技术在不同领域的应用：一、机器人领域1. 自主导航机器人：SLAM技术可以用于自主导航机器人的路径规划和自我定位，使机器人在未知环境中实现自主导航。
2. 工业机器人：SLAM技术可以用于工业机器人的自我定位和运动路径规划，提高生产线的效率和准确度。
3. 家庭服务机器人：SLAM技术可以用于家庭服务机器人的环境感知、运动规划和导航，为人们提供更便捷的家庭服务。
二、自动驾驶领域1. 车辆自主导航：SLAM技术可以用于车辆的自主导航和路径规划，帮助自动驾驶汽车识别道路标记、识别障碍物和决策驾驶行为。
2. 精准地图绘制：SLAM技术可以绘制车辆周围的高精度地图，使自动驾驶系统在行驶中更加准确。
三、增强现实领域1. 模拟现实场景：SLAM技术可以利用摄像头、深度相机等设备，实时地构建环境地图，为增强现实技术提供场景模拟的基础。
2. 增强现实导航：SLAM技术可以为增强现实导航提供定位和场景信息，使用户在未知环境中准确地找到目的地。
四、其它领域1. 室内定位和导航：SLAM技术可以帮助人们在建筑物内进行室内定位和导航，方便人们快速到达目的地。
2. 智慧城市建设：SLAM技术可以用于智慧城市建设，构建城市地图和实时交通信息，提高城市管理效率。
总之，SLAM技术已经在多个领域得到了广泛的应用，为人们的生产、生活和娱乐带来了极大的便利。
未来随着科技的不断进步，SLAM技术在更多领域的应用将得到进一步的扩展和优化。
SLAM_介绍以及浅析
SLAM_介绍以及浅析SLAM（Simultaneous Localization and Mapping）是一种通过传感器信息实时建立地图并同时定位的技术。
传统的定位与建图方法需要使用预先构建好的地图，或者依赖于GPS等全球定位系统进行定位。
而SLAM 技术则能够实现无需预先知识的建图和定位，通过实时处理传感器信息来实现地图建立和定位。
SLAM技术广泛应用于自主机器人、增强现实、虚拟现实、无人驾驶等领域。
在自主机器人中，SLAM技术可以使机器人在未知环境中实现自主导航和任务执行；在增强现实和虚拟现实中，SLAM技术能够将虚拟物体精确地放置到真实环境中；在无人驾驶中，SLAM技术可以帮助车辆实现精确定位和环境感知。
SLAM技术的核心任务包括建图和定位。
建图是指通过传感器信息实时地构建地图，包括确定环境的几何结构、特征点和物体；定位是指利用传感器信息将机器人或者用户准确地定位在地图上。
传感器信息主要包括视觉信息（摄像头）、激光雷达信息、惯性测量单元（IMU）信息、里程计信息等。
通过融合这些传感器的信息，SLAM技术能够实现高精度的地图构建和定位。
SLAM技术的基本思想是通过维护一个状态估计来实现建图和定位。
状态估计包括机器人或者用户的位置、地图和传感器误差等。
地图可以表示为基于特征点的地图或者基于网格的地图。
定位的精度依赖于对传感器误差的建模和状态估计的优化。
SLAM技术的关键问题在于传感器数据的关联和误差建模。
传感器数据的关联是指将多个传感器数据进行匹配和关联，以实现特征点的跟踪和地图的构建。
误差建模是指对传感器的误差进行建模，以准确地估计状态和地图。
SLAM技术中常用的误差建模方法包括卡尔曼滤波、粒子滤波和最大似然估计等。
SLAM技术的发展离不开硬件技术的进步。
随着激光雷达、摄像头和IMU等传感器的不断发展，SLAM技术的精度和稳定性得以提升。
同时，计算机算力的提升和高效算法的开发也为SLAM技术的应用提供了良好基础。
自动驾驶与机器人中的SLAM技术阅读随笔
《自动驾驶与机器人中的SLAM技术》阅读随笔1. SLAM技术概述随着科技的飞速发展，自动驾驶和机器人技术已经逐渐渗透到我们的日常生活中。
在这一领域中，SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）技术发挥着至关重要的作用。
SLAM技术是一种基于传感器数据的定位方法，它通过实时采集环境信息，实现机器人在未知环境中的自主导航和路径规划。
SLAM技术的核心在于同时处理机器人的定位和地图构建两个任务。
在定位方面，SLAM系统利用激光雷达、超声波、红外等传感器获取环境信息，并通过算法计算出机器人的经纬度坐标。
在地图构建方面，SLAM系统通过滤波算法和优化方法，将传感器数据融合，实现对环境的全局感知和局部映射。
这种结合使得机器人能够在复杂环境中实现自主导航，完成各种任务。
随着深度学习、计算机视觉等技术的快速发展，SLAM技术在算法和性能上取得了显著的提升。
这使得自动驾驶和机器人技术在物流、安防、智能家居等领域具有广泛的应用前景。
SLAM技术在处理复杂环境和动态变化场景时仍面临诸多挑战，如传感器的性能受限、环境变化的不确定性等。
未来研究需要继续深入探索SLAM技术的创新方法和应用场景，以推动自动驾驶和机器人技术的不断发展。
1.1 SLAM的定义和发展历程SLAM(Simultaneous Localization and Mapping,同时定位与地图构建)技术是一种在未知环境中实现自主导航和地图构建的方法。
它通过同时进行定位和地图构建，使机器人能够在没有外部参考系的情况下，根据传感器数据实时更新自身的位置信息和环境地图。
SLAM 技术的发展经历了几个阶段，从最初的基于滤波器的SLAM方法，到基于图优化的SLAM方法，再到近年来的深度学习SLAM方法。
20世纪80年代，美国马里兰大学的研究团队首次提出了SLAM 的概念。
他们主要研究如何在移动机器人的环境中实现定位和地图构建。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
提纲1.自动驾驶与相关技术2.SLAM在自动驾驶中的作用3.个人观点与讨论1.自动驾驶与相关技术1.自动驾驶与相关技术•自动驾驶不是一个新话题几个重要事件2002. DAPPA启动沙漠142英里的挑战赛2009.Google开始研发无人驾驶汽车，即Waymo前身2013.通用、福特、奔驰、宝马等传统车企开始研发自动驾驶2015. 国内自动驾驶创业风潮2017.百度开放apollo，目前已至5.0国内主要自动驾驶企业车企：北汽、上汽、东风等；大型公司：BAT、华为初创公司：pony、图森、momenta、文远智行，等等1.自动驾驶与相关技术•自动驾驶分级•传统车企主要围绕L2-L3功能作为高档品牌功能，如ADAS（Advanced Driver AssistantSystem）•互联网及初创公司主要以L4作为研发目标与宣传口径1.自动驾驶与相关技术•自动驾驶涉及的主要技术•车辆、行人、红绿灯检测•可行驶区域、车道线识别感知（Perception ）•高精地图生产、维护•高精定位定位与建图（Localization and Mapping ）•路径规划，避障•车辆控制决策与控制（Planning and Control, PnC ）•车辆底盘•传感器•计算芯片硬件•车辆操作系统•数据平台、云服务器软件•软硬件集成•路测、维修集成测试算法相关开发相关1.自动驾驶与相关技术•自动驾驶和人开车的技术原理是不同的•就像飞机和鸟是不同的人类•极强的感知（实时、泛用性极强、高准确率）•很弱的定位（米级精度，低频）•一般的控制（精度速度低于计算机）自动驾驶（乘用车）•较弱的感知（准确率尚可，泛用性弱）•极强的定位（分米级精度，高频）•较强的控制（高频，精确）自动驾驶（机器人）•更弱的感知（不必看人和车）•极强的定位（更复杂）•较强的控制（高频，精确）1. 自动驾驶中的定位方案•定位（Localization）确定车辆自身在世界或地图中的位置和姿态•基础服务，处于众多服务的上游•对于乘用车，大部分控制器要求定位精度在30cm以内传感器数据定位感知控制规划IMU、GNSS、RTK 轮速、车速Lidar点云视觉图像需要定位来判断行人、车辆在世界中的位置通过定位信息和规划信息、实际控制车辆通过定位信息和高精地图，确定车辆的行驶路径1. 自动驾驶中的定位方案•好的定位•全天候定位服务•弱GPS场景的定位•高精度（10cm级别）•不好的定位•初始化困难•存在诸多无法工作场合•精度不够导致控制效果差•安全隐患：定位跳变可能导致逆行、串车道、撞马路牙子等情况奔驰辅助驾驶画龙情况1. 自动驾驶中的定位方案•定位的主要手段（以百度Apollo为例）•GNSS（Global Navigation SatelliteSystem，全球卫星导航系统）、RTK（Real Time Kinematic）•惯性导航（陀螺仪、加速度计组成的Inertial Measurement Unit, IMU）•Lidar（Light Detection and Ranging）•视觉（相机）•车载设备：轮速计、车速计1. 自动驾驶中的定位方案•GNSS定位•利用卫星信号进行定位，单点GNSS精度约在1.2米左右•载波相位差分技术（RTK ），利用基站修正，达到厘米级定位精度需求：•室外宽敞环境以接收卫星信号•4G/无线电通讯以接收基站信息•当地环境需要有基站布署（每个基站约能覆盖10km范围）局限性：•仅限室外•弱GPS场景较多：高楼、树木、高架桥、隧道•4G 信号不流畅时定位信息会间断城市道路存在峡谷效应，使得GNSS信号跳变1. 自动驾驶中的定位方案•惯性导航•利用车辆的惯性信息，估计车辆相对运动•IMU通常以100Hz以上的频率测量车辆的角速度和加速度值1. 自动驾驶中的定位方案•IMU与GNSS组合形成的组合导航是自动驾驶中常见的定位设备•例如：Apollo上使用的NovAtel SPAN-IGM-A11. 自动驾驶中的定位方案•Lidar定位•利用Lidar点云进行定位•既可作为里程计式的相对定位，也可以建立地图，进行地图定位•需要建立对应的Lidar地图，通常为点云地图或某程形式的压缩地图•百度Apollo中使用的Lidar定位•预先建立目标区域的定位地图（2D intensity map）•与Lidar数据进行比较，确定车辆位置1. 自动驾驶中的定位方案•高精地图（High Definition Map）•高精地图相比于传统电子导航地图（百度、高德等），具有更分辨率•目前国家正在起草高精地图数据标准，各家自己的标准尚未统一高精地图定位地图逻辑地图其他定位地图：用于高精定位，通常由一些压缩形式的点云组成，数据量较大，反映真实物理世界结构；逻辑地图：在定位地图基础上人工（或半自动）生成，包含车道线、路口、红绿灯等逻辑信息，主要用于规划和控制；其他：和具体业务相关的信息，如物流车需要派送点，机器人需要充电点，等等各家的模块名称可能有所不同，甚至很多地方直接把逻辑地图称为高精地图。
1. 自动驾驶中的定位方案•视觉定位•利用相机图像进行定位•既可以做成VO/VIO，也可以做成地图定位•进行地图定位时，需要事先建立对应的视觉地图•视觉地图•目前没有成熟的视觉地图形式•在自动驾驶场景中，通常建立车道线、标志牌等路标地图1. 自动驾驶中的定位方案•视觉定位地图与图像匹配的例子1. 自动驾驶中的定位方案全局定位GNSS+IMU组合导航地图定位Lidar地图定位视觉地图定位各方案的分类比较全局定位：•测量物理世界中的位置与姿态•看天吃饭：定位效果强依赖于GPS信号好坏地图定位•测量相对于地图的位置与姿态•只要在地图范围内，可以在各种情况下工作•需要定期制作、维护地图（地图维护成为主要内容）Apollo的地图•分为高精地图与定位地图，高精地图用于规划，定位地图用于激光定位•定位地图记录每个网格中的障碍物高度信息，数据量大（每10km大约1G）•制图周期长（高精地图标注复杂，每人每天制图约2-3km）•维护困难（地图寿命为半年，受修路、架桥、绿化等动态状况影响大）1. 自动驾驶中的定位方案实现传感器优势劣势GINS定位GPS(RTK)+IMU灵敏高精度不受天气影响容易被遮挡、需要空旷环境激光定位激光雷达准确高精度昂贵空旷场景不易定位视觉定位摄像头便宜轻量支持场景丰富易受干扰运算量较大融合定位无取长补短各模块不一致时容易发散1. 自动驾驶中的定位方案•定位中的主要问题：精度、可用性、地图•精度•物理精度：车辆定位结果与车辆在物理世界中真实坐标之间的差异•最常用的指标，简单直观•例如：乘用车通常要求误差均值<0.1m，99%<0.3m•地图定位精度•衡量在地图中定位时的精度指标•地图在制图过程中本身存在误差，制图结果会给定位带来误差•例子：山洞隧道•重定位精度•在重定位方案中，相对于录制轨迹的重定位精度指标•例：预制路径的物流车1. 自动驾驶中的定位方案•定位中的主要问题：精度、可用性、地图•可用性•各种场景下的定位服务可用性（雨雪雾、隧道、弱GPS场景，等等）•Apollo定位状态（1级<0.1m 2级<0.3m 3级不可用）1. 自动驾驶中的定位方案•定位中的主要问题•地图•高精地图需要大量人力投入进行制图和维护•Volumetric Lidar地图占用空间大•视觉地图暂无成熟形式•地图的动态更新问题尚无解决方案2. SLAM技术在自动驾驶中的作用2. SLAM技术在自动驾驶中的作用•SLAM是定位模块的核心技术•在高精地图生产阶段，需要从采集车数据重建三维高精地图•在自动驾驶阶段，将传感器数据与地图对比，实时定位高精地图生产是一个完善的多传感器SLAM问题实时定位是一个地图匹配和传感器融合问题2. SLAM技术在自动驾驶中的作用•高精地图生产•离线的、多传感器的三维重建问题•整个生产过程步骤繁多，计算时间长，需要机器的配置较高2. SLAM技术在自动驾驶中的作用2. SLAM技术在自动驾驶中的作用2. SLAM技术在自动驾驶中的作用•几个关键问题1.Lidar (+inertial)Odometry如何通过激光数据估算相对运动？2. SLAM 技术在自动驾驶中的作用•OK ，看着不错，实用如何？•激光线数对算法影响很大•线数越高，单次测量数据越稠密，效果越好，但价格越贵单线16线128线2. SLAM技术在自动驾驶中的作用2.激光Odom只计算相对位置，绝对位置来自GPS•如何处理GPS效果不好，甚至全程无GPS的情况？•这种情况在高楼、树林等场景很常见，由GPS多径效应造成紫色轨迹：GPS点，蓝色：优化后轨迹2. SLAM技术在自动驾驶中的作用3. 回环检测•Odom的方式不可避免地存在累计误差。
长时间Odom结果会使得累积误差太大，造成地图不一致采集轨迹应该回到小区入口，但估计轨迹由于累计误差，没有闭合2. SLAM技术在自动驾驶中的作用4.退化•激光数据依赖场景三维结构，在某些场景里估计值会有额外的自由度例子：大型广场激光Odom会有明显的跳动，使得融合轨迹不准确其他的例子：桥梁、隧道、单个建筑物贴边、圆形建筑绕圈、异形建筑2. SLAM技术在自动驾驶中的作用•学术界和工业界对算法的要求并不一样•学术界：从数据集里挑几个好的结果，发到论文里•工业界：追求成功率和稳定性•对建图成功率非常在意，一次建图失败就意味着一个项目的延期或者取消•很难向行业外人员解释为什么这个地图可以建，那个地图很难建•但又必须向采集和运营人员说明采集规则和路径顺序2. SLAM技术在自动驾驶中的作用2. SLAM技术在自动驾驶中的作用•对于室外结构化道路来说，视觉语义元素也是有前景的解决方案•在Apollo-Lite方案中，建立了车道线和杆状物的矢量化地图基于视觉元素的地图定位配合VO，在元素数量不足时提供相对定位2. SLAM技术在自动驾驶中的作用•定位•定位通常是基于滤波器的融合定位方案•各传感器将自己的定位估计交给融合定位，融合定位对下游的输出这东西的问题•激光不好时容易被GPS带歪•融合效果取决于硬件•在车辆高速运动时，时间上的同步误差、空间上的标定误差会被进一步放大，导致很多车辆低速看起来很稳定，但速度一旦放快就出各种问题3. 个人观点及讨论3. 个人观点及讨论•定位和地图必定是配套研发、使用的•有什么样的地图，就有什么样的定位•如果地图是2D的，定位就不可能是3D的•地图的形式决定了定位环境的限制。
例如：2D高精地图无法处理立交桥等3D情况•高精地图•现有高精地图在大部分结构化道路是可行的•仍存在成本高、更新慢、维护困难的情况•非结构化道路的挑战性更大•商业化道路仍在探索中，虽然是核心技术，但商业化目前并不成功3. 个人观点及讨论•任务层面上：大车侧重感知，小车侧重定位建图•乘用车需要考虑很多安全因素•每一个行人是否被正确检测？每一辆车是否被正确检测？•路口红绿灯状态是否被正确判定？•乘用车由于成本较高，定位允许使用较昂贵的组合导航，能够覆盖大多数道路场景•小车则要考虑更多应用场景•小车不仅运行在结构化道路上，也可能运行在园区、码头等非结构化场景中，甚至室内或地下环境，对定位要求更商•小车安全风险相对较低，必要时可让行人避让小车3. 个人观点及讨论•在弱GPS场景，不必过于在意物理精度•例子：隧道。