Método directo Los representantes típicos del método directo son las series ICP y NDT. ICP puede calcular directamente la posición y actitud del láser, y varios fotogramas pueden formar una optimización conjunta. Esta solución es simple y eficaz y se utiliza a menudo para la alineación de LIDAR en varias pasadas.
Basado en la coincidencia de características (LO), el representante típico de este esquema es LOAM y el esquema mejorado posterior A-LOAM/F-LOAM. Esta solución calcula la pose entre cuadros buscando líneas, características de superficie y características coincidentes, y puede realizar optimización BA en múltiples poses.
Solución de fusión multisensor. Los representantes típicos de esta solución son LIO-Map, LINS y LIO-SAM. El algoritmo de mapeo LIO se basa en la preintegración y optimización de back-end de VINS-Mono, y el odómetro visual frontal se cambia a un odómetro láser.
Basada en grillas, esta solución está representada por la cartografía de código abierto de Google, que tiene ventajas en el posicionamiento de robots en interiores.
Basándonos en paneles, el típico representante de esta solución es suma.
Basándonos en la información semántica, los representantes típicos de esta solución son segmap y suma++.
La producción de mapas de alta precisión incluye extracción de información semántica (generalmente de visión, pero también de láser), LIO unidireccional (GNSS+IMU+DMI+lidar/odometría visual) y alineación de rango múltiple. . Primero hablemos de las dificultades de cada parte:
Extracción de información semántica de la imagen. La información semántica de la imagen incluye líneas de carril, postes, señales, señales de tráfico terrestres, etc. En escenas de alta velocidad, hay poca oclusión de objetos y la precisión de detección de objetos puede alcanzar más del 95%. En las vías urbanas, actualmente es difícil lograr más del 90% de detección debido a la oclusión de árboles (obstrucción de señales y objetos en forma de postes) y de vehículos (obstrucción de líneas de carril y señales de tráfico terrestres).
Extracción de información semántica de nubes de puntos. La reflectividad de las nubes de puntos para materiales especiales (como las líneas de carril) es muy alta. Básicamente, el método de dicotomía puede resolver muchos problemas. Para escenas de alta velocidad, el desgaste de la línea del carril no es grave y la información semántica es fácil de extraer. Las carreteras urbanas presentan un grave desgaste de los carriles y la interferencia de líneas de carriles antiguas, lo que dificulta la extracción de más del 90% de la información semántica.
LIO. Los vehículos de recolección de alta precisión generalmente están equipados con lidar, cámaras, imu, dmi y RTK, y se puede utilizar la fusión de múltiples sensores para trayectorias unidireccionales. Para escenas de alta velocidad, hay menos obstrucciones de edificios, mejores señales RTK y la precisión RTK posterior a la construcción puede ser inferior a 30 cm (excepto en escenas montañosas y de túneles, la automatización es más difícil, según la escena).
La fusión de múltiples pasos depende principalmente del ojo humano para determinar si la nube de puntos está alineada. Por supuesto, se pueden establecer conjuntos de datos a pequeña escala para la evaluación, pero la tasa de automatización es muy baja.
En general, actualmente es difícil lograr una producción automatizada de mapas de alta precisión. La razón principal es que la escena es compleja, hay demasiados puntos de esquina y la precisión absoluta y relativa es difícil de cumplir con los requisitos.
En resumen, el método directo de SLAM láser es actualmente relativamente simple y puede usarse para alineación de múltiples pasadas o detección de bucle de odometría láser. En la actualidad, los algoritmos LO puros rara vez se utilizan en la industria y generalmente se utilizan soluciones de fusión de múltiples sensores. Después de todo, utiliza lidar, lo cual es bastante bueno para un sensor como IMU. Las soluciones de fusión multisensor se utilizan principalmente para producir mapas de alta precisión. En el campo de la conducción autónoma, los mapas de alta precisión se utilizan generalmente a priori para el posicionamiento, y el posicionamiento y los mapas no se realizan al mismo tiempo. Los basados en cuadrículas se pueden utilizar para robots móviles. En ambientes interiores, la suposición de la red es mayoritariamente válida. En escenas al aire libre, los mapas END se utilizan generalmente para almacenar mapas. Según la información semántica y Ningbin, la gente no sabe mucho al respecto y no se utiliza mucho en la industria.