王依喬， 張 偉

(中國(guó)科學(xué)院大學(xué) 空間應(yīng)用工程與技術(shù)中心，北京 100094)

0 引言

在我國(guó)的月球探測(cè)任務(wù)中，月球車(chē)月面巡視是一項(xiàng)重要的內(nèi)容，其主要作用是在月球表面進(jìn)行自主漫游并利用科學(xué)儀器完成對(duì)月面環(huán)境的直接探測(cè).月面環(huán)境屬于非結(jié)構(gòu)化環(huán)境，具有松軟的月壤層，月球探測(cè)車(chē)為了保證在地形復(fù)雜惡劣的地表形態(tài)中順利完成探測(cè)工作，必須具有智能感知的移動(dòng)系統(tǒng)，以及良好的自主避障性能[1]，即月球車(chē)可以在不需要地面干預(yù)的情況下利用自身系統(tǒng)算法進(jìn)行路徑規(guī)劃，并結(jié)合自身的自主避障功能安全到達(dá)目標(biāo)點(diǎn)并完成相應(yīng)的任務(wù).

月面環(huán)境比陸地環(huán)境更加困難的重要原因是環(huán)境本身的復(fù)雜性和不確定性.目前大多成熟的地面機(jī)器人定位技術(shù)并不適用于月球車(chē)的定位[2]，在環(huán)境場(chǎng)景復(fù)雜且未知的月面環(huán)境下，月球車(chē)的定位和地圖創(chuàng)建應(yīng)該綜合考慮，這就是同時(shí)定位與地圖構(gòu)建(simultaneous localization and mapping，SLAM)問(wèn)題.SLAM技術(shù)是指機(jī)器人在未知環(huán)境從一個(gè)未知位置開(kāi)始移動(dòng)，在移動(dòng)過(guò)程中根據(jù)傳感器獲得的信息和自身位姿估計(jì)進(jìn)行定位，同時(shí)在定位的基礎(chǔ)上增量地構(gòu)建周?chē)h(huán)境地圖并輔助機(jī)器人自定位，兩者是相輔相成的過(guò)程，從而實(shí)現(xiàn)機(jī)器人的自主定位和地圖構(gòu)建[3].SLAM的思想最早由Smith與Self等人提出，其理論意義和應(yīng)用價(jià)值逐漸引起了眾多學(xué)者的關(guān)注[4].

SLAM技術(shù)需要利用傳感器來(lái)感知場(chǎng)景信息，盡管在地面機(jī)器人上應(yīng)用激光等傳感器的手段更為簡(jiǎn)單，但是由于月球車(chē)的工作環(huán)境特征復(fù)雜，且難以事先預(yù)測(cè)，存在很多局限.視覺(jué)作為最接近于人類(lèi)感知的方式，通過(guò)單目、雙目或RGB-D攝像機(jī)感知周?chē)鷪?chǎng)景，定位精度僅依靠視覺(jué)輸入信息，能夠精確估計(jì)本體6個(gè)自由度(3個(gè)方向的位置和姿態(tài))的運(yùn)動(dòng)參數(shù)變化，成本較低，并且不受傾斜、下陷等因素的影響[5]，具有定位精度高、信息量大、靈活性高等優(yōu)點(diǎn)，隨著近年來(lái)視覺(jué)圖像處理技術(shù)的快速發(fā)展，使得視覺(jué)SLAM的優(yōu)勢(shì)逐漸突出，成為月球車(chē)定位技術(shù)的首選.

然而，視覺(jué)SLAM仍然具有其局限性，相機(jī)存在由于光照變化、表面紋理缺乏和快速運(yùn)動(dòng)引起圖像模糊等因素引起的誤差，許多研究者對(duì)以上問(wèn)題進(jìn)行了研究并獲得不錯(cuò)的結(jié)果.典型的有Klein等人基于BA(bundle adjustment)提出的實(shí)時(shí)SLAM算法，即并行跟蹤和構(gòu)圖算法(parallel tracking and mapping，PTAM)[6]，Engel等人采用直接的方法構(gòu)建大范圍內(nèi)的半稠密地圖，即LSD-SLAM(large-scale direct-SLAM)[7]，以及近年來(lái)逐漸引起廣泛關(guān)注的RGB-D SLAM和ORB-SLAM(oriented bried-SLAM)等.RGB-D SLAM由Endres等人于2014年提出[8]，該算法采用的RGB-D攝像機(jī)可以在獲取環(huán)境彩色信息(rgb)的同時(shí)也直接獲取深度信息(depth).ORB-SLAM是2015年由Mur-Artal等人提出的基于關(guān)鍵幀的SLAM算法[9]，該系統(tǒng)選用ORB特征進(jìn)行提取匹配以及稀疏地圖的創(chuàng)建，系統(tǒng)分為視覺(jué)里程計(jì)、地圖創(chuàng)建、回環(huán)檢測(cè)3個(gè)線程，是目前主流算法中精度最高的單目SLAM算法.Cadena等回顧了SLAM方法中關(guān)鍵性概念或者技術(shù)，如表1所示[10].

表1 SLAM方法關(guān)鍵性技術(shù)的研究者

SLAM技術(shù)體現(xiàn)了移動(dòng)機(jī)器人的自主能力,如今SLAM技術(shù)在大規(guī)模、非結(jié)構(gòu)化復(fù)雜環(huán)境下仍存在問(wèn)題.筆者基于視覺(jué)SLAM前沿的研究基礎(chǔ)，對(duì)月面非結(jié)構(gòu)化復(fù)雜環(huán)境下的SLAM技術(shù)進(jìn)行分析與綜述，對(duì)目前的SLAM特征提取方式、主流方法進(jìn)行了歸納總結(jié)，分析討論了視覺(jué)SLAM在月面環(huán)境下正面臨的難點(diǎn)問(wèn)題與不足，并指出了未來(lái)的發(fā)展趨勢(shì)和方向.

1 月面環(huán)境特征提取方式

在一個(gè)SLAM過(guò)程中，月球車(chē)在登陸月球表面后，首先通過(guò)視覺(jué)系統(tǒng)獲取月面圖像信息，用攝像機(jī)來(lái)做導(dǎo)航和探索，讀取數(shù)據(jù)并且進(jìn)行特征提取，根據(jù)獲取的信息把特征地標(biāo)在三維地圖中重建出來(lái).通過(guò)對(duì)圖像序列中前后兩幀數(shù)據(jù)進(jìn)行匹配處理，結(jié)合閉環(huán)檢測(cè)減小累積誤差，從而得到移動(dòng)機(jī)器人的位姿估計(jì)及周?chē)h(huán)境的地圖信息.

月面環(huán)境屬于非結(jié)構(gòu)化環(huán)境，紋理特征較為單一，灰度變化較不明顯，完全依靠像素梯度搜索的直接法SLAM并不適用，因此本文主要分析基于特征的位姿估計(jì)SLAM方法.

在月球車(chē)的定位中，為了保證后續(xù)匹配和位姿估計(jì)的準(zhǔn)確性，特征點(diǎn)的選取具有關(guān)鍵性因素.特征點(diǎn)應(yīng)具有較好的穩(wěn)定不變性與魯棒性，以及良好的特征定位準(zhǔn)確性.比如對(duì)光照變化不敏感，并且在圖像旋轉(zhuǎn)、平移和尺度變化的情況下具有穩(wěn)定性.根據(jù)采用特征的不同，可對(duì)視覺(jué)SLAM方法進(jìn)行重新分類(lèi)，目前應(yīng)用比較普遍的匹配技術(shù)主要為基于幾何特征的匹配，包括線/邊緣特征以及基于點(diǎn)特征的匹配等.

1.1 基于線/邊緣特征的方法

圖像的線和邊緣部分是指灰度變化明顯的邊緣或不連續(xù)的區(qū)域，邊緣特征集中了圖像的大部分有效數(shù)據(jù)，具有豐富的幾何信息，普遍存在于結(jié)構(gòu)化環(huán)境中.這類(lèi)特征對(duì)于光線、視角等變化表現(xiàn)較為穩(wěn)定，相比于點(diǎn)特征更易于提取且能有效減少特征數(shù)量，從而降低算法復(fù)雜度.Eade等通過(guò)Canny檢測(cè)器提取出圖像的邊緣特征，用egelets表達(dá)特征信息，從而提升算法的穩(wěn)定性[11].然而，在非結(jié)構(gòu)化環(huán)境下，簡(jiǎn)單的邊緣、線等特征通常難以被觀測(cè)，線與邊緣的不確定性以及邊緣匹配問(wèn)題往往會(huì)給SLAM技術(shù)帶來(lái)挑戰(zhàn).

1.2 基于點(diǎn)特征的方法

點(diǎn)特征在視覺(jué)SLAM中應(yīng)用廣泛，相比于其他特征，點(diǎn)特征在保留圖像重要特征的同時(shí)，具有對(duì)遮擋相對(duì)魯棒、識(shí)別性好、提取速度快等特點(diǎn).在基于點(diǎn)特征的視覺(jué)SLAM中，關(guān)鍵是能夠提供穩(wěn)定性高的圖像特征點(diǎn).經(jīng)典的特征點(diǎn)檢測(cè)算子有：MSER、SIFT、SURF、STAR、FAST、ORB等.

SIFT特征由Lowe等提出[12]，對(duì)光照變化以及圖像的尺度變化、平移、旋轉(zhuǎn)、縮放等具有較強(qiáng)的穩(wěn)定不變性與魯棒性，是適用于月面匹配比較理想的特征.文獻(xiàn)[13-14]在視覺(jué)SLAM研究中使用了SIFT特征，然而SIFT特征也存在一些局限性，由于計(jì)算量較大，時(shí)間復(fù)雜度高，所以有時(shí)不能保證實(shí)時(shí)性.

SURF特征是SIFT算法的改進(jìn)，其特征速度更快且具有更好的穩(wěn)定性，它在視覺(jué)SLAM系統(tǒng)中也獲得較廣泛的應(yīng)用[15].

BRIEF[16]使用二進(jìn)制流作為關(guān)鍵點(diǎn)特征，與SURF特征相比具有更快的速度.ORB特征是FAST特征與BRIEF描述符的結(jié)合，F(xiàn)AST特征具有較快的檢測(cè)速度，且BRIEF描述符是二進(jìn)制串，所以O(shè)RB特征方法縮減了匹配速度，并且具有穩(wěn)定性和較好的抗干擾性，在滿足視覺(jué)SLAM系統(tǒng)實(shí)時(shí)性的同時(shí)提升了定位精度.

1.3 基于混合特征的方法

有一些研究者致力于研究特征之間的關(guān)聯(lián)和約束關(guān)系，將不同檢測(cè)子和描述符配合應(yīng)用于檢測(cè)特征，也都取得了不錯(cuò)的效果.孫鳳池等將Harris affine檢測(cè)子與SIFT描述子融合檢測(cè)圖像特征, 完成閉環(huán)檢測(cè)任務(wù)[17].李海豐等提出了一種新的將點(diǎn)、線、平面特征融合應(yīng)用的SLAM算法——PLP-SLAM[18].

2 同時(shí)定位與地圖構(gòu)建方法

SLAM本質(zhì)上是一個(gè)狀態(tài)估計(jì)問(wèn)題，優(yōu)化后端分為濾波器和優(yōu)化方法兩類(lèi).基于濾波器的方法出現(xiàn)較早，根據(jù)后驗(yàn)概率表示方式的不同可以分為多種基于濾波器的方法，典型的有擴(kuò)展卡爾曼濾波器(extended-kalman filter，EKF)和粒子濾波器(particle filter，PF).

2.1 基于擴(kuò)展卡爾曼濾波的SLAM技術(shù)

基于EKF的SLAM技術(shù)主要依據(jù)遞歸貝葉斯?fàn)顟B(tài)估計(jì)理論，EKF-SLAM具有很好的收斂性，經(jīng)典的有Davison等提出的一種基于擴(kuò)展卡爾曼濾波器的實(shí)時(shí)單目SLAM系統(tǒng)(MonoSLAM)[19].傳統(tǒng)的EKF方法具有局限性，在非線性情況下不能保證全局最優(yōu)，容易造成誤差累積.為了提升EKF-SLAM算法的實(shí)時(shí)性和魯棒性，曹軍等基于EKF-SLAM，提出了一種新算法，使?fàn)顟B(tài)在經(jīng)過(guò)校正后更快速地接近真實(shí)值[20].許亞朝等通過(guò)引入濾波收斂判斷系數(shù)并調(diào)整增益矩陣，從而抑制了濾波的發(fā)散問(wèn)題，提高了精度、實(shí)時(shí)性和穩(wěn)定性[21].

2.2 基于粒子濾波的SLAM技術(shù)

PF-SLAM(particle filter SLAM)利用粒子濾波等濾波器實(shí)現(xiàn)，PF作為一種非參數(shù)化濾波器適用性更普遍，主要步驟包括狀態(tài)檢測(cè)、更新權(quán)值和重采樣等.PF-SLAM在高維空間的概率分布需要大量的粒子，Doucet等提出了一種基于Rao-bIackwellized粒子濾波器的算法——RBPF-SLAM，將系統(tǒng)狀態(tài)分為采樣和解析兩部分，從而降低了算法的復(fù)雜度[22].基于RBPF，Montemerlo等提出了具有代表性的FastSLAM方法[23]，有機(jī)地將粒子濾波器與卡爾曼濾波器集成在一起，魯棒地解決了數(shù)據(jù)關(guān)聯(lián)的問(wèn)題.宋宇等提出平方根容積Rao-blackwillised SLAM算法，采用容積律計(jì)算SLAM中的非線性函數(shù)高斯權(quán)重積分,減小了SLAM非線性模型線性化的誤差、提高了SLAM的精度[24].

2.3 基于圖優(yōu)化的SLAM技術(shù)

SLAM技術(shù)逐步應(yīng)用于解決大規(guī)模環(huán)境下的定位與建圖問(wèn)題，研究熱點(diǎn)逐漸轉(zhuǎn)為非線性優(yōu)化的SLAM方法，目前應(yīng)用最廣泛的代表為基于圖優(yōu)化的SLAM(graph-based SLAM)方法.相比于只考慮前后兩幀圖像變化的基于濾波器的方法，基于圖優(yōu)化的方法考慮全局變量，獲取所有的觀測(cè)信息，從而估計(jì)移動(dòng)機(jī)器人的位姿及完整地圖.圖優(yōu)化方法由Lu與Milio提出，通過(guò)構(gòu)建位姿圖(pose graph)解決機(jī)器人的位姿估計(jì)問(wèn)題.圖由節(jié)點(diǎn)和邊組成，節(jié)點(diǎn)表示移動(dòng)機(jī)器人的位姿或路標(biāo)，邊表示傳感器測(cè)得的節(jié)點(diǎn)之間的約束關(guān)系.通過(guò)對(duì)節(jié)點(diǎn)的位置進(jìn)行優(yōu)化，使其最優(yōu)的滿足邊所表示的約束關(guān)系，優(yōu)化的結(jié)果即為機(jī)器人的運(yùn)動(dòng)軌跡[25].圖優(yōu)化方法考慮全局變量信息，在定位精度上相比于濾波器的方法有很大的提升，獲得了更好的建圖效果，是目前大規(guī)模環(huán)境下的主流研究方法.具有代表性的算法包括PTAM(parallel tracking and mapping)、ORB-SLAM等，在大場(chǎng)景中均獲得了較好的效果.該類(lèi)方法將SLAM問(wèn)題劃分為前端(SLAM front-end)和后端(SLAM back-end)兩個(gè)部分.前端類(lèi)似于視覺(jué)里程計(jì)，目的是構(gòu)建位姿圖，后端是基于圖的非線性優(yōu)化.

Gutmann和Konolige在Lu與Milios的研究基礎(chǔ)上進(jìn)一步提出了高效的基于圖優(yōu)化的增量式SLAM算法[26]，主要由順序數(shù)據(jù)關(guān)聯(lián)、環(huán)形閉環(huán)檢測(cè)以及圖優(yōu)化三部分組成，算法框架如圖1所示.在前端部分，順序數(shù)據(jù)關(guān)聯(lián)是指相鄰圖像幀間的匹配及相對(duì)姿態(tài)估計(jì)問(wèn)題，環(huán)形閉環(huán)檢測(cè)的目的是根據(jù)數(shù)據(jù)判斷機(jī)器人是否回到之前到達(dá)過(guò)的區(qū)域;在后端部分，由于觀測(cè)噪聲以及累積誤差的引入，通過(guò)觀測(cè)信息配準(zhǔn)得到的位姿圖往往不具備一致性.

圖1 基于圖優(yōu)化的SLAM框架Fig.1 Framework of graph-based SLAM

3 月面環(huán)境下SLAM面臨的挑戰(zhàn)

3.1 感知信息的不確定性問(wèn)題

在復(fù)雜的月面環(huán)境中，由于月球表面存在大量的月塵與月障，在沙質(zhì)環(huán)境中SLAM技術(shù)難以提取足夠的特征點(diǎn)進(jìn)行跟蹤，特征點(diǎn)位置變化會(huì)影響系統(tǒng)穩(wěn)定性，如何描述感知信息的不確定性給月球車(chē)漫游帶來(lái)巨大的挑戰(zhàn)，因此需要提高SLAM技術(shù)對(duì)不收斂問(wèn)題的魯棒性等問(wèn)題.

3.2 大規(guī)模環(huán)境下的視覺(jué)SLAM問(wèn)題

大規(guī)模環(huán)境下SLAM技術(shù)面臨的主要難題是由于計(jì)算量太大而無(wú)法保證算法實(shí)時(shí)性的問(wèn)題，首要解決辦法就是減少計(jì)算量并降低算法的復(fù)雜度.常用的解決方法有利用分層或分塊處理的方法.吳勇等[27]提出了一種收縮無(wú)跡卡爾曼濾波器(shrink unscented kalman filter, S-UKF)的方法，在大規(guī)模環(huán)境SLAM實(shí)驗(yàn)中獲得了良好的實(shí)時(shí)效果.

3.3 非結(jié)構(gòu)化環(huán)境下的SLAM問(wèn)題

非結(jié)構(gòu)化環(huán)境下特征和路標(biāo)難以被提取描述，其不確定性也會(huì)提高對(duì)環(huán)境采樣的需求量,從而增加SLAM的計(jì)算量.Zhou等[28]針對(duì)非結(jié)構(gòu)化未知環(huán)境,使用攝像機(jī)和激光傳感器融合的方式,提出一種算法使得機(jī)器人可以從傳感器獲取的數(shù)據(jù)中自動(dòng)選擇具有最大信息量的觀測(cè)數(shù)據(jù),從而在非結(jié)構(gòu)化環(huán)境中采樣得到大量數(shù)據(jù).

3.4 動(dòng)態(tài)環(huán)境下的視覺(jué)SLAM問(wèn)題

目前大多SLAM方法都是基于靜態(tài)環(huán)境的假設(shè),并且對(duì)于環(huán)境是有先驗(yàn)知識(shí)的，而在例如月球車(chē)等實(shí)際應(yīng)用中，所處的環(huán)境是未知?jiǎng)討B(tài)環(huán)境，包括靜態(tài)物體以及動(dòng)態(tài)物體，動(dòng)態(tài)物體會(huì)影響傳感器數(shù)據(jù)的獲取，增加了SLAM技術(shù)的結(jié)構(gòu)復(fù)雜性以及不準(zhǔn)確性，因此對(duì)SLAM算法提出了更高要求.

浙江大學(xué)CAD&CG國(guó)家重點(diǎn)實(shí)驗(yàn)室計(jì)算機(jī)視覺(jué)組研發(fā)的RDSLAM(robust dynamic SLAM)算法可以在動(dòng)態(tài)環(huán)境下自適應(yīng)的建模,從而在保證實(shí)時(shí)性的前提下，有效地檢測(cè)出動(dòng)態(tài)物體的顏色和結(jié)構(gòu)等變化，實(shí)現(xiàn)了機(jī)器人的自定位與地圖構(gòu)建[29].Lopez等[30]將視覺(jué)傳感器與激光傳感器融合，用SIFT特征進(jìn)行匹配識(shí)別,通過(guò)激光測(cè)距進(jìn)行運(yùn)動(dòng)目標(biāo)定位，實(shí)現(xiàn)了在未知環(huán)境中動(dòng)態(tài)物體的識(shí)別和定位.

4 SLAM主要發(fā)展趨勢(shì)與研究熱點(diǎn)

4.1 多傳感器融合

復(fù)雜場(chǎng)景下SLAM應(yīng)用時(shí)，單一傳感器往往具有局限性.通常環(huán)境變化不會(huì)對(duì)所有傳感器產(chǎn)生影響，為了更有效地獲取環(huán)境信息，提高SLAM系統(tǒng)的魯棒性，需要融合多個(gè)傳感器的數(shù)據(jù)信息，以實(shí)現(xiàn)月球車(chē)的自主導(dǎo)航功能.

目前應(yīng)用廣泛的研究方法是將慣性測(cè)量單元(internal measurement unit，IMU)與攝像機(jī)相結(jié)合，這樣的SLAM稱(chēng)為VIN(visual-aided inertial navigation).攝像機(jī)可以獲得更豐富的信息量，IMU獲得相對(duì)準(zhǔn)確位姿估計(jì)的時(shí)間更少，視覺(jué)傳感器與激光傳感器的互補(bǔ)能夠獲得更好的結(jié)果.Murartal等將攝像機(jī)獲取的數(shù)據(jù)和IMU數(shù)據(jù)融合后，用ORB-SLAM進(jìn)行攝像機(jī)姿態(tài)追蹤，實(shí)驗(yàn)結(jié)果表明相比于單一使用攝像機(jī)的SLAM方法，攝像機(jī)結(jié)合IMU的定位方法能夠更有效地降低系統(tǒng)誤差，獲得精確性更高的實(shí)驗(yàn)結(jié)果[31].

4.2 多機(jī)器人協(xié)作

單機(jī)器人由于自身處理能力的局限性，在大規(guī)模復(fù)雜環(huán)境下很難高效地構(gòu)建周?chē)h(huán)境地圖, 多機(jī)器人互相協(xié)調(diào)可以提高探測(cè)的有效性與準(zhǔn)確性.梁建等針對(duì)復(fù)雜動(dòng)態(tài)環(huán)境下多機(jī)器人SLAM問(wèn)題,提出利用計(jì)算智能算法進(jìn)行分析，研究表明，多機(jī)器人協(xié)同工作可以提高SLAM的精度[32].同時(shí)，多機(jī)器人SLAM的容錯(cuò)能力更強(qiáng)，在復(fù)雜的月面非結(jié)構(gòu)化環(huán)境下，可以解決單一模型算法偏差或者錯(cuò)誤的數(shù)據(jù)關(guān)聯(lián)問(wèn)題[33].

4.3 主動(dòng)SLAM算法

在SLAM技術(shù)研究中,移動(dòng)機(jī)器人在未知環(huán)境下進(jìn)行自主探索，如何把探索策略和SLAM算法結(jié)合是一個(gè)重要方向，這就是主動(dòng)SLAM問(wèn)題.主動(dòng)SLAM算法是將SLAM與某種環(huán)境探測(cè)方法相結(jié)合，平衡探索策略的速度與機(jī)器人定位精度和地圖構(gòu)建準(zhǔn)確度之間的聯(lián)系.

4.4 結(jié)合人工智能技術(shù)

以深度學(xué)習(xí)為代表的人工智能算法近年來(lái)在計(jì)算機(jī)視覺(jué)、信息處理等領(lǐng)域發(fā)揮了重大作用，將人工智能技術(shù)與SLAM技術(shù)相結(jié)合，可以增強(qiáng)對(duì)實(shí)際場(chǎng)景的理解，在地圖構(gòu)建得到的三維模型上進(jìn)一步通過(guò)模式識(shí)別提取其中的語(yǔ)義信息，可以解決在未知?jiǎng)討B(tài)環(huán)境下SLAM技術(shù)的挑戰(zhàn)，并極大提高算法性能.

深度學(xué)習(xí)可以自動(dòng)獲取圖像特征，SLAM技術(shù)中特征提取、閉環(huán)檢測(cè)、語(yǔ)義地圖等都可通過(guò)深度學(xué)習(xí)技術(shù)獲得更優(yōu)的結(jié)果.如果算法能識(shí)別出點(diǎn)云中的物體，就可以知道它是什么、是否能移動(dòng),然后就可以去判斷它是否在移動(dòng)，動(dòng)態(tài)場(chǎng)景的問(wèn)題就會(huì)得到較好的解決.Costante等[34]將SLAM技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，利用卷積神經(jīng)網(wǎng)絡(luò)獲得視覺(jué)里程計(jì)的特征和最優(yōu)的估計(jì)器.

5 未來(lái)研究方向

隨著我國(guó)深空探測(cè)的進(jìn)一步發(fā)展，月球車(chē)對(duì)導(dǎo)航的自主性要求也更高，目前相關(guān)研究還處于發(fā)展階段,結(jié)合SLAM技術(shù)的研發(fā)實(shí)踐總結(jié)以下研究突破點(diǎn).

5.1 完善方法模型

SLAM系統(tǒng)由多個(gè)子模塊組成，針對(duì)不同實(shí)際環(huán)境下的問(wèn)題，對(duì)模型進(jìn)行改進(jìn)與完善.探索出魯棒性更強(qiáng)、定位精度更高、實(shí)時(shí)性更好、計(jì)算復(fù)雜度更低的SLAM算法.

5.2 相關(guān)分支問(wèn)題研究

對(duì)于非結(jié)構(gòu)化環(huán)境和動(dòng)態(tài)環(huán)境下SLAM技術(shù)一直無(wú)法較好實(shí)現(xiàn)的問(wèn)題，可以針對(duì)相關(guān)分支問(wèn)題，在某一模塊進(jìn)行研究突破，例如探索出更加魯棒的圖像特征、更加準(zhǔn)確的特征提取與匹配算法、更加精確的視覺(jué)傳感器標(biāo)定方法、更加快速的閉環(huán)檢測(cè)算法等.

5.3 融合環(huán)境信息

視覺(jué)SLAM領(lǐng)域研究者們逐漸關(guān)注針對(duì)不同的層次信息進(jìn)行融合，研究涉及認(rèn)知心理學(xué)、人工智能、仿生學(xué)等領(lǐng)域，將低層次的數(shù)據(jù)融合或高層次的決策級(jí)融合，在復(fù)雜環(huán)境下提高移動(dòng)機(jī)器人的智能感知.

5.4 創(chuàng)建語(yǔ)義地圖

傳統(tǒng)的SLAM地圖描述缺乏語(yǔ)義信息，對(duì)SLAM技術(shù)的應(yīng)用具有一定的局限性.機(jī)器人需要具備智能場(chǎng)景理解以及目標(biāo)識(shí)別的能力，將人工智能算法融入SLAM技術(shù)，構(gòu)造含有語(yǔ)義信息的地圖，是解決該問(wèn)題并提升算法性能的重要方法.

參考文獻(xiàn)：

[1] 王偉,鮑勁松,金燁,等.月球車(chē)虛擬仿真系統(tǒng)中自主導(dǎo)航的實(shí)現(xiàn)[J].機(jī)械設(shè)計(jì)與研究,2009, 25(2):65-69.

[2] 曹鳳萍,王榮本,張亮修.基于雙目立體視覺(jué)的月球車(chē)三維定位算法[J].交通信息與安全, 2012, 30(4): 28-33.

[3] DURRANT-WHYTE H, BAILEY T. Simultaneous localization and mapping: part I[J]. IEEE robotics and automation magazine, 2016, 13(3): 99-110.

[4] 王忠立,趙杰,蔡鶴皋.大規(guī)模環(huán)境下基于圖優(yōu)化SLAM的圖構(gòu)建方法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2015，47(1)：75-85.

[5] 李琳輝,趙一兵,郭烈,等.沙質(zhì)環(huán)境中基于視覺(jué)的月球車(chē)定位方法[J]. 大連理工大學(xué)學(xué)報(bào), 2011, 51(5): 744-749.

[6] KLEIN G, MURRAY D. Parallel tracking and mapping for small AR workspaces[C]//IEEE and ACM International Symposium on Mixed and Augmented Reality. Nara, Japan: IEEE, 2007:1-10.

[7] ENGEL J, SCHOPS T, GERMERS D. LSD-SLAM: Large scale direct monocular SLAM[C]//European Conference on Computer Vision. Switzerland: Springer, 2014:834-849.

[8] ENDRES F, HESS J, STURM J, et al. 3-d mapping with an rgb-d camera[J]. IEEE transactions on robotics, 2014, 30(1): 177-187.

[9] MUR-ARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM: A versatile and accurate monocular SLAM system[J]. IEEE transactions on robotics, 2017, 31(5):1147-1163.

[10] CADENA C, CARLONE L, CARRILLO H, et al. Simultaneous localization and mapping: present, future, and the robust-perception age[J]. IEEE transactions on robotics, 2016, 32(6):120-124.

[11] EADE E, DRUMMOND T. Edge landmarks in monocular SLAM[J]. Image and vision computing, 2009, 27(5):588-596.

[12] LOWE D G. Distinctive image features from scale-invariant key points[J]. International journal on computer vision, 2004, 60(2): 91-110.

[13] ALI A M, NORDIN M J. SIFT based monocular SLAM with multi-clouds features for indoor navigation[C]//2010 IEEE Region 10 Conference. Fukuoka: IEEE, 2010: 2326-2331.

[14] ZHU D X. Binocular Vision-SLAM using improved SIFT algorithm[C]// International Workshop on Intelligent Systems and Applications. Wuhan, China: IEEE, 2010:1-4.

[15] YE Y. The research of SLAM monocular vision based on the improved surf feature[C]//International Conference on Computational Intelligence and Communication Net-works. Hong Kong, China: IEEE, 2014:344-348.

[16] CALONDER M, OZUYSAL M, TRZCINSKI T, et al. BRIEF: Computing a local binary descriptor very fast[J]. IEEE transactions on software engineering, 2012, 34(7):1281-1298.

[17] 孫鳳池,黃亞樓,康葉偉.基于視覺(jué)的移動(dòng)機(jī)器人同時(shí)定位與建圖研究進(jìn)展[J]. 控制理論與應(yīng)用,2010,27(4): 488-494.

[18] 李海豐,胡遵河,陳新偉.PLP-SLAM:基于點(diǎn)、線、面特征融合的視覺(jué)SLAM方法[J]. 機(jī)器人,2017,39(2): 214-220.

[19] DAVISON A J, REID I D, MOLTON N D, et al. MonoSLAM: real-time single camera SLAM[J]. IEEE transactions on pattern analysis and machine intelligence, 2007, 29(6): 1052-1067.

[20] 曹軍,曾碧,何元烈.基于路標(biāo)觀測(cè)的改進(jìn)EKF-SLAM算法[J]. 自動(dòng)化與信息工程,2014,35(1):21-26+31.

[21] 許亞朝,何秋生,王少江,等.一種改進(jìn)的自適應(yīng)卡爾曼濾波算法[J]. 太原科技大學(xué)學(xué)報(bào),2016,37(3):163-168.

[22] DOUCET A, FREITAS N D, MURPHY K, et al. Rao-blackwellised particle filtering for dynamic Bayesian networks[C]//Conference on Uncertainty in Artificial Intelligence. San Francisco: Morgan Kaufmann, 2000: 176-183.

[23] MONTEMERLO M, THRUN S, ROLLER D, et al. Fastslam2.0: an improved particle filtering algorithm for simultaneous localization and mapping that provably converges[C]//International Joint Conference on Artificial Intelligence. Mexico: Morgan Kaufmann, 2003: 1151-1156.

[24] 宋宇,李慶玲,康軼非,等.平方根容積Rao-Blackwillised粒子濾波SLAM算法[J]. 自動(dòng)化學(xué)報(bào),2014,40(2):35 7-367.

[25] 梁明杰,閔華清,羅榮華.基于圖優(yōu)化的同時(shí)定位與地圖創(chuàng)建綜述[J]. 機(jī)器人,2013,35(4):500-512.

[26] 權(quán)美香,樸松昊,李國(guó). 視覺(jué)SLAM綜述[J]. 智能系統(tǒng)學(xué)報(bào),2016,11(6):768-776.

[27] 吳勇,關(guān)勝曉.基于無(wú)跡卡爾曼濾波器的改進(jìn)SLAM問(wèn)題求解方法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(3):30-36.

[28] ZHOU W, MIRO J V, DISSANAYAKE G. Information-efficient 3-d visual SLAM for unstructured domains [J]. IEEE transaction on robotics, 2008, 24(5): 1078-1087.

[29] TAN W, LIU H, DONG Z, et al. Robust monocular SLAM in dynamic environments[C]//IEEE Internationalsymposium on Mixed and Augmented Reality. Los Alamitos: IEEE, 2013: 209-218.

[30] LOPEZ D G, SJO K, PAUL C, et al, Hybrid laser and vision based object search and localization[C]//IEEE International Conference on Robotics and Automation. Pasadena: IEEE, 2008: 2636-2643.

[31] MUR-ARTAL R, TARDOS J D, Visual-Inertial Monocular SLAM with map reuse[J]. IEEE robotics and automation letters, 2017, 2(2): 796-803.

[32] 梁建,呂強(qiáng),衛(wèi)恒,等.基于智能算法的多機(jī)器人SLAM方法[J]. 中國(guó)科技信息,2016,(23):21-22.

[33] 呂強(qiáng),林輝燦,張洋,等. 基于視覺(jué)的多機(jī)器人協(xié)作SLAM問(wèn)題[J]. 科技導(dǎo)報(bào),2015,33(23):110-115.

[34] COSTANTE G, MANCINI M, VALIGI P, et al. Exploring representation learning with CNNs for frame-to-frame ego-motion estimation [J]. IEEE robotics and automation letters, 2015,1(1): 18-25.