SLAM从入门到精通（从仿真到实践）

news2024/11/18 13:32:38

之前花了40多篇文章，弄清了什么是slam，怎么学习slam，什么是ros，怎么利用ros来学好slam等等。不仅如此，我们还搭建了仿真环境，从话题订阅和发布开始，一步步到gmapping、amcl到move base，中间确实涉及了很多的内容，知识点也比较多。但如果仅仅如此，其实还是不够的。仿真学习虽然对于学习者是比较方便的，但我们最终的目的还是希望能够把slam技术用起来，这样才能产生价值。有了价值的反馈，我们也才能进行继续后面的学习和升级。

然而，仿真环境和实际环境还是差很多的。实际环境下，一个485的ab线没有接对，都有可能让你花费半天的时间。更不要说电路板上面的虚焊、接触不良了。所以，等了解了算法、了解了流程之后，建议大家下一步就可以慢慢转到实际小车来测试了，遇到的问题越多，成长的空间也越大。

下面我们就总结下真实环境和仿真环境的一些区别。

1、现实的传感器数据是不准的

前面仿真的时候，我们一般拿到传感器的数据就直接使用了。然而现实中，传感器的数据都是不准的，需要进行内参标定和外参标定值后才能使用。以摄像头为例，所谓的内参标定，就是摄像头的畸变参数；而外参标定，则是摄像头相对于机器人中心的坐标偏移。这部分数据都是需要自己标定出来，才能使用的。

此外，就算内参和外参都标定好了，这个时候数据就可以使用了吗？其实还不可以，因为此时还有可能出现随机噪声。那么我们只能通过均值滤波、滑动窗口、中值滤波等方法来进行处理。如果上面说的几种滤波方法还不够，这个时候可以考虑用卡尔曼滤波做一次数据平滑处理，再送给算法。注意，卡尔曼滤波不仅仅可以用于数据融合，还可以进行数值滤波。

2、真实的地面是不平整的

不管是gmapping，还是amcl，本质上都要求地面的起伏不能太大。因为从原理上说，他们都是借助于里程计的基础数据+lidar数据的粒子滤波，来实现制图和定位的。如果本身里程计的数据就是错的或者不准，地面上坑坑洼洼的，就不要太指望后面的粒子滤波可以给你修正回来。

3、单线雷达很多时候并不靠谱

这里说的单线雷达不靠谱，并不是说传感器本身不靠谱，而是说单线雷达所在的场景是经常容易发生改变的，单线雷达采集远远不够。就拿服务机器人来说，由于lidar传感器位置不高，那么它周围的场景就可能经常发生改变，一会桌子放在这里了，一会沙发放在那里了等等。这个时候，lidar发现场景改变了，它就不知道是应该去优化位置，还是忽略这些变化的场景。此外和多线lidar相比，它采集的数据少之又少，希望从这么少的数据中获取稳定的信息、输出稳定的结果可以想一下其中的难度了。

4、路径一般是规划好的

学习MoveBase的时候，我们发现很多时候路径都是临时生成的。只要没有障碍物，就贴着最大角速度、最大线速度走就可以了。实际生产中，对于机器人的活动路径和作业范围，一般都是做了空间约束的。这一点，对于开发者来说，其实并不是坏事，本质还是为了好控制，留出边界范围，也能满足业主安全方面的要求。

5、算力永远不够

很多算法有比较好的结果，都是依靠大算力、大存储来解决的。这会带来两个问题，第一我们选的soc开发板或者工控板算力够不够；第二，这么多数据需要处理，实时性来不来得及。一个比较好的slam算法，前端输出结果只是一部分，大部分时间都放在后端优化以及回环检测上面，这个时候就对算力和存储就都有了要求。一方面要求算的快，另外一方面又要求算得准，这本身就是一对矛盾体，需要自己做出权衡。

6、网络问题

真实的机器人都是自由行走在服务环境中的。它和调度器、充电器的连接是通过wifi来保证的。那么机器人和控制器之间的网络是不是稳定、通畅，这就变得很重要了。最低网络延时多少、网络联系失败的时候有没有重连机制，这关系到整个系统是不是长期稳定地运行。

7、精度和重复性的问题

如果机器人本身只是用于家庭，或者做一些服务用途，它的精度和重复性一般不做要求。但是如果应用在工业或者是军事上面，那么精度和重复性就会变得非常重要。以普通的AGV为例，10次取放货成功，和10000次无故障取放货成功，这中间还是有本质的区别的。所以，我们做机器人的时候不仅要求单次操作的精度很高，而且重复性必须满足客户和业主的要求，这样自己的产品才有竞争力。

8、安全问题

机器人本身是软硬、硬件和机械的复合体。当然，说白了它就是一个没有生命的铁疙瘩。所以我们不仅要让它干活，还要让它不伤害别人。狭义上的伤害，主要是运动、做任务的时候不要伤害到人；而广义上的伤害，还包括语言、功能和目的。前面的内容比较好理解，但是后面的伤害不一定为大家所熟知。可以试想一下，现在有了gpt和chatgpt的支持，如果我们安排机器人去做一些伤害人类的任务，它应该是去做呢，还是不去做呢？