引言：

無人平臺在大范圍環(huán)境中 實現(xiàn)自 主定位與導航的能力 需求日 益嚴苛， 其中 基于激光雷達的同步定位和繪圖 技術(shù)(SLAM) 是主流的研究方案。在這項工作中， 本文系統(tǒng)概述了 3D 激光雷達SLAM算法框架和關(guān)鍵模塊， 分析闡述了近年來的研究熱點問題和未來發(fā)展趨勢， 梳理了3D激光雷達 SLAM 算法性能的評估標準， 并據(jù)此選取目前較為成熟的具有代表性的6種開源 3D 激光雷達SLAM 算法在機器人操作系統(tǒng)(ＲOS) 中進行了測試評估， 基于 KITTI 基準數(shù)據(jù)集， 從 KITTI 官方精度標準、SLAM算法精度指標、算法耗時和處理幀率3方面進行了橫向比較， 結(jié)果表明， 所選6種算法中 LIO-SAM 算法性能綜合表現(xiàn)突出， 其在 00 序列數(shù)據(jù)集的測試中， 絕對軌跡誤差(ATE) 和相對位姿誤差(ＲPE) 的 ＲMSE 數(shù)據(jù)分別為 1. 303 和 0. 028， 算法處理的幀率(fps) 為 28. 6， 最后依據(jù) CiteSpace 分析討論了 3D 激光雷達 SLAM 技術(shù)的應用趨勢。

隨著移動機器人與無人平臺在各類應用場景的不斷進階與探索， 對移動載體定位能力的要求也越來越高。日益升級的智能駕駛應用， 尤其是更先進的無人駕駛， 為保證安全， 需求定位精度達到厘米級， 現(xiàn)有的定位輸入源主要是基于全球定位系統(tǒng) ( global positioning system，GPS) 等衛(wèi)星定位手段， 而傳統(tǒng)的 GPS 定位導航精度只有5 ～10 m， 當前提高定位精度的方案大體上分為兩類。

一類是對衛(wèi)星信號定位輸入源進行升級，如升級為更高精度的實時差分定位(real time kinematic， ＲTK) ， 或者將進行輔助推算導航定位的低成本微機電系統(tǒng) ( micro electromechanical system， MEMS) 慣導設(shè)備升級為更高精度級別的慣導， 雖然此類方式可以在大多數(shù)的使用場景下提高定位精度， 但是在 GPS 信號容易丟失的場景下，如停車場、交錯高架路以及室內(nèi)環(huán)境等， 仍存在缺陷且成本較高， 而慣導的推算定位本身就存在初始化和累計誤差問題;

另一類是研究學者基于第一類缺陷提出的引入新的實現(xiàn)自主定位源的方法，如使用激光雷達、毫米波雷達、攝像頭等感知傳感器， 因此基于各類傳感器的自主定位方案開始受到科研人員的廣泛關(guān)注， 尤其是基于激光雷達和深度相機的自主定位， 近年來已成為熱點方案， 本文主要闡述基于多線激光雷達的自主定位方案。

同步定位與繪圖 ( simultaneous localization and mapping，SLAM) 作為一種在未知環(huán)境中進行姿態(tài)估計與定位的技術(shù)， 廣泛應用于移動機器人和無人駕駛等領(lǐng)域。

SLAM 相關(guān)概念最早由 Cheeseman 等于 1986 年在 IEEE 機器人與自動化會議被提出， 該技術(shù)通過傳感器采集信息，生成無人平臺所探索環(huán)境的地圖并對其進行定位， 實現(xiàn)無人平臺的自主移動［1］。從該技術(shù)的定義可知， 該技術(shù)由地圖構(gòu)建和定位兩部分組成。地圖構(gòu)建是把通過傳感器采集的序貫激光雷達點云或視覺特征從各幀局部坐標系投影至全局坐標系， 之后完成地圖拼接和定位， 即獲取移動載體在所建地圖中的位置和姿態(tài)信息。

一方面獲取傳感器采集的各幀數(shù)據(jù)對應的局部坐標系的位置和姿態(tài)是構(gòu)建地圖的關(guān)鍵， 即建圖包含了定位問題; 另一方面構(gòu)建準確的地圖又是精確定位的前提， 因此， 定位與建圖兩者是高度耦合的，可作為一個問題尋找解決方案。在線實時的SLAM 技術(shù)作為自主定位領(lǐng)域的核心正在被廣泛研究。

目前 2D 激光 SLAM 技術(shù)發(fā)展已較為成熟， 既可用于民用服務(wù)如掃地機器人， 也可用 于工業(yè)現(xiàn)場， 如 KUKA Navigation Solution ［2］ 。基于激光點云的 3D SLAM 技術(shù)利用三維激光傳感器(一般是多線激光雷達， 也有少部分是用自制的單線激光雷達組合) 獲取三維空間點數(shù)據(jù)， 之后再通過相鄰點云幀之間的掃描匹配進行位姿估計， 并建立完整的點云地圖， 與 2D 激光 SLAM 具有相通的技術(shù)原理。

三維激光雷達通過光學測距可以直接采集到海量具有角度和距離精準信息的點， 這些點的合集被稱為點云，可以反映出真實環(huán)境中的幾何信息。由于其建圖直觀，測距精度極高且不容易受到光照變化和視角 變化的影響， 是室外大型環(huán)境的地圖構(gòu)建應用中必不可少的傳感器。

得益于DAＲPA(美國國防部先進研究項目 局地面挑戰(zhàn)賽)［3-4］的推動， 美國 Velodyne 公司的多線激光雷達開始用于無人汽車 SLAM ［5］ ， 移動機器人的定位與建圖問題由室內(nèi)逐漸轉(zhuǎn)為室外， 地圖構(gòu)建也由二維拓展到三維，范圍成倍擴大， 但多線雷達成本較高。隨著多線激光雷達的量產(chǎn)化和普及化以及嵌入式處理器功耗降低、 計算能力的增強， 基于多線激光雷達的 SLAM 技術(shù)正在快速發(fā)展。

由于基于多線激光雷達的三維 SLAM 方法在幀間匹配方面有著更豐富的匹配方式及更好的魯棒性， 并可以同圖像信息、物理模型等信息進行融合［6］使定位精度得到提升， 因而具有巨大的發(fā)展?jié)摿ΑｊP(guān)于 SLAM 的相關(guān)工作前人已有總結(jié)， 尤其是基于視覺的 SLAM 綜述出現(xiàn)較多， 但基于激光的 SLAM 總結(jié)工作比較少， 且主要是基于 2D 激光， 涉及 3D 激光雷達SLAM 算法的介紹不多。在本文中， 我們將系統(tǒng)的介紹和分析三維激光 SLAM 技術(shù)， 并對選取的代表性算法進行性能比較及客觀評價。這項工作為我們之后對三維激光 SLAM 技術(shù)進行更深入的研究做下了鋪墊， 也希望本文能夠為其他對 3D 激光雷達 SLAM 技術(shù)感興趣的研究人員提供些許幫助。

1、

3D 激光雷達 SLAM 方案

依賴激光雷達建立地圖的激光 SLAM 方案按求解方式可以分為基于濾波器和基于圖優(yōu)化兩類， 基于濾波器的方法源于貝葉斯估計理論， 是早期解決 SLAM 問題的方法， 在室內(nèi)或小范圍場景應用中具有不錯的效果， 但由于只考慮移動載體的當前位姿狀態(tài)和當前環(huán)境觀測信息， 且不具有回環(huán)檢測能力， 存在線性化以及更新效率低等問題［7-8］， 在程序運行中還會隨著場景的增大占用成倍增加的計算資源， 這使得它在室外大型場景中的表現(xiàn)效果比較差， 現(xiàn)階段基于濾波器的激光 SLAM 方案主要應用在二維室內(nèi)小范圍場景。

基于圖優(yōu)化的 SLAM 方案考慮了移動載體歷程中全部的位姿狀態(tài)和環(huán)境觀測信息， 用節(jié)點和邊形成的圖來表示一系列的移動機器人位姿和約束， 建立和維護關(guān)聯(lián)數(shù)據(jù)，可獨立出前端實現(xiàn)并行計算， 是一種更為高效和普適的優(yōu)化方法。

相較于早期基于濾波器的 SLAM 方法， 通常可以得出全局一致性更好的地圖， 且隨著求解方法的不斷發(fā)展，在相同計算量的前提下， 圖優(yōu)化 SLAM 的求解速度也已經(jīng)超過濾波器方法， 是目前 SLAM 領(lǐng)域內(nèi)的主流方法，也是三維激光 SLAM 采取的主要方案，Hauke 等［9］研究了圖優(yōu)化方法為什么較濾波器方法能取得更優(yōu)的效果。

Lu 等［10］于上世紀九十年代首次提出基于圖優(yōu)化的2D SLAM 算法， 他們用帶約束的位姿網(wǎng)絡(luò)實現(xiàn)了數(shù)據(jù)關(guān)聯(lián)， 具備圖優(yōu)化的原型。Gutmann 等［11］于 1999 年正式提出了圖優(yōu)化框架， 該框架與目 前主流的圖優(yōu)化框架大致相同， 具備前端掃描匹配、 全局優(yōu)化以及閉環(huán)檢測模塊，但由于當時技術(shù)發(fā)展和認知局限， 沒有認識到系統(tǒng)的稀疏性， 并未實現(xiàn)實時 SLAM。之后， 國內(nèi)外諸多研究學者也不斷探索， 為圖優(yōu)化 SLAM 方法的發(fā)展做出了 巨大貢獻， 圖優(yōu)化 SLAM 方案框架的各個模塊也在逐步完善。

基于二維激光的 SLAM 算法相對成熟， Santos 等［12］對 5 種 具有代表性的 基于單線 激光 雷 達的 2D 激光SLAM 算法進行了測試評估和總結(jié)， 結(jié)果表明 Gmapping和 KartoSLAM 算法在定位和建圖的準確性和效率上要更加優(yōu)越。之后 Google 開源的 Cartographer 算法［13］

采用目前主流的基于圖優(yōu)化的激光 SLAM 算法框架， 提出了分支定界的方法解決子地圖的構(gòu)建以及與全局地圖的匹配問題， 實現(xiàn)了閉環(huán)檢測和較好效果的全局優(yōu)化， 是目前較為先進和成熟的二維激光 SLAM 技術(shù)的代表。

二維激光雷達在確定高度的水平面上通過測量旋轉(zhuǎn)掃描的激光信號與其回波的時間差、 相位差確定環(huán)境中目標的距離和角度， 并依據(jù)這兩類數(shù)據(jù)在水平面上建立二維極坐標系來表示所感知的環(huán)境信息， 可視為一種單線程的三維激光雷達。

相比于只能感知環(huán)境中單個平面信息、適用于室內(nèi)幾何結(jié)構(gòu)實現(xiàn)小型區(qū)域地圖構(gòu)建的二維激光雷達， 三維激光雷達可以進一步獲取高程上更豐富的信息， 對于室外大型場景也有更好的感知效果。

激光雷達根據(jù)線數(shù)可分為單線、4 /8 線以及 16 /32 /64 /128線 3 類， 隨著線束的增多， 激光雷達能夠感知環(huán)境的信息更豐富， 所得的數(shù)據(jù)量也相應更大， 設(shè)備的成本也成倍增加，因此基于激光的 SLAM 算法需要在線束上有所考量，要達到更好的實時性就需要處理減少每幀的輸入數(shù)據(jù)量， 而較少的初始數(shù)據(jù)量因為線束稀疏又不能很好的反映環(huán)境信息。

目前的3D 激光雷達 SLAM 算法研究多基于16 /32 /64 線激光雷達， 而面向無人駕駛的應用則追求更高精度的 128 線， 如圖 1 所示。3D 激光雷達 SLAM 技術(shù)基于多線激光雷達， 沿用并發(fā)展了 基于圖優(yōu)化的 SLAM算法框架， 并將其應用于無人駕駛等領(lǐng)域解決大型場景的定位與建圖問題。

1. 1 圖優(yōu)化方法

圖優(yōu)化 SLAM 的研究基礎(chǔ)是基于圖論， 圖(graph) 是一種數(shù)據(jù)結(jié)構(gòu)， 由頂點(vertex) 與連接頂點的邊(edge) 組成表示為 G(V， E) ， 其中 G 表示圖， 頂點的集合表示為 V，邊的集合表示為 E， 其思想是用頂點表示事物， 而連接不同頂點之間的邊則用 于表示事物之間 的關(guān)系， 如果在圖 G 中存在一個頂點上連接兩個以上的邊， 則稱該圖為超圖， 在 SLAM 中研究的就是根據(jù)已有的觀測數(shù)據(jù)實現(xiàn)超圖的構(gòu)建以及優(yōu)化的過程。

假設(shè)移動載體的位姿節(jié)點用 μ = { μ 1， μ2 ， …， μ n } 表示， 將環(huán)境中的地標表示為 S = {S 1 ， S 2 ， …， S n } ， 則移動平臺的位姿和地標可以用圖 2 表示。

如果某時刻 k， 移動載體在位置通過激光傳感器進行掃描觀測得到數(shù)據(jù)， 則傳感器的觀測方程為:

由于系統(tǒng)參數(shù)和傳感器觀測存在誤差， 使得上式不可能精確相等， 因此誤差?便存在，如果把:

式(2) 作為目 標函數(shù)， 把作為變量進行優(yōu)化， 便可以求解得到移動載體位姿的估計值，， 從而計算估計出平臺移動的軌跡。具體到 SLAM 問題中， 頂點表示為激光雷達的位姿以及特征點的位姿， 而邊表示觀測方程， 觀測方程的表達形式有多種， 可定義為移動平臺不同位姿之間的約束， 也可以定義為移動平臺在某位置觀測得到的某空間點坐標表達式。

一般為位姿之間由里程計(odometry) 或者匹配(registration) 計算出的轉(zhuǎn)換矩陣， 這樣對移動平臺位姿的求解過程就轉(zhuǎn)化為求解圖中的優(yōu)化問題。圖優(yōu)化 SLAM 的模型表示形式也可以從彈簧能量模型［14-15］的視角來解釋， 如圖 3 所示， 在 SLAM 中是對位姿的最大似然估計， 彈簧模型中則是對應系統(tǒng)的最小能量狀態(tài)， 而二者的本質(zhì)問題都可以轉(zhuǎn)換為非線性最小二乘問題。

1.2圖優(yōu)化 SLAM 方案框架

基于圖優(yōu)化的 SLAM 方案可以分為掃描匹配、 閉環(huán)檢測、后端優(yōu)化、點云地圖存儲表示 4 個部分。掃描匹配利用激光雷達、慣性測量單元(IMU) 及編碼器等傳感器數(shù)據(jù)進行掃描匹配， 利用相鄰幀之間的關(guān)系估計當前幀的運動姿態(tài)， 得到短時間內(nèi)的相對位姿和地圖， 考慮的是局部數(shù)據(jù)關(guān)聯(lián)問題;

由于長時間的增量式掃描匹配會不可避免地造成誤差累積， 而閉環(huán)檢測可以通過比較當前幀與歷史關(guān)鍵幀來優(yōu)化位姿， 檢查匹配確立節(jié)點間的約束關(guān)系， 減少全局地圖的漂移誤差， 考慮的是全局數(shù)據(jù)關(guān)聯(lián); 如果是從基于圖優(yōu)化的表示形式來看， 掃描匹配和閉環(huán)檢測都是為了根據(jù)觀測信息建立圖的節(jié)點以及節(jié)點間的約束， 即完成圖的構(gòu)建。研究學者們將兩者一起劃分為圖優(yōu)化 SLAM 的前端部分［14-15］。

由于系統(tǒng)參數(shù)誤差、觀測噪聲以及匹配誤差的存在，通過前端模塊所構(gòu)建的位姿圖一致性較差， 且通常情況下構(gòu)建圖的邊與邊的約束存在“沖突”。若用表示幀間匹配的相對變換矩陣， 則 T 0 ， T 1 ， T 2 ， …， T n 構(gòu)成一個閉環(huán)， 在理想情況下應當滿足 T 0 T 1 T 2 …T n = I， 其中 I 表示單位矩陣， 但實際工程中通過前端得到的相對變換矩陣一般是達不到此結(jié)果的。與前端部分不同， 圖優(yōu)化部分是對前端構(gòu)建的圖信息進行非線性優(yōu)化， 取得盡量滿足所有約束關(guān)系的最優(yōu)解， 最后輸出姿態(tài)估計結(jié)果和全局點云地圖， 這一部分也被稱為 SLAM 后端， 與 SLAM 前端共同組成整個圖優(yōu)化 SLAM 框架。

1.2 .1 掃描匹配

對于前端掃描匹配， 代表性的三維點云匹配算法大體可分為兩類: 基于匹配的方法和基于特征的方法。基于匹配的方法根據(jù)算法建立的目 標評價函數(shù)可以分為基于距離判斷和基于概率模型判斷兩種， 基于概率模型判斷的方法主要是正態(tài)分布變換( normalized distribution transform， NDT) 算法［16］， 基于距離判斷的方法主要是 ICP算法及其變種算法， 適合 3D 激光雷達 SLAM 的算法包括PP-ICP ［17］ 、NICP ［18］ 、 IMLS-ICP ［19］ 等， 其中代表性的算法是廣義迭代最近點 ( generalized iterative closest point，GICP)［20］， 算法原理是將 ICP 算法和 PL-ICP 算法結(jié)合到概率框架模型上進行點云配準， 提升了算法的適用性和精確度。

基于匹配的算法一般通過直接使用掃描點來實現(xiàn)準確估計， 需要使用大量的點進行穩(wěn)定配準， 雖然匹配精度較高但通常計算效率不高。目前最新的能夠快速準確的實現(xiàn)三維激光點云匹配配準的算法是一種體素化的廣義迭代最近點算法［21］， 該方法通過體素化擴展了GICP 方法， 避免了高代價的最近鄰搜索， 同時保持了 算法的精度， 結(jié)合了類 ICP 和 NDT 算法的優(yōu)勢。

基于特征的方法通過從掃描點云中提取特征點來提高計算效率， 包括使用角點和平面點特征的 LOAM ［22］ 以及使用面元特征的三維柵格匹配算法多分辨率柵格地圖(multi-resolution surfel map)［20］等， 也有許多專注于雷達點云特征描述進行點云配準的研究［23-27］， 如快速點特征直方圖 ( fast point feature histograms， FPFH )［23］、 VFH(viewpoint feature histogram)［24］等， 這種方法能夠改善計算成本提高實時性從而得到廣泛研究。一個經(jīng)典的基于特征的點云配準算法通常包括關(guān)鍵點檢測、 特征描述符提取、真實匹配、異常值剔除和轉(zhuǎn)換估計幾個步驟。

1.2 .2 閉環(huán)檢測

閉環(huán)檢測基于全局數(shù)據(jù)關(guān)聯(lián)， 是實現(xiàn)魯棒 SLAM 的核心步驟， 通過識別是否到達歷史場景促使地圖閉環(huán)的能力， 能夠校正累積誤差， 從而產(chǎn)生全局一致性的映射地圖。但相應的， 錯誤閉環(huán)的結(jié)果則會嚴重影響后端優(yōu)化的準確度， 甚至會直接導致最終地圖的效果不佳。閉環(huán)檢測的難點主要體現(xiàn)在:

1 ) 感知歧義。例如在長廊、 隧道、 樓梯等結(jié)構(gòu)化十分相似的場景， 會加劇判斷難度。

2) 由于激光傳感器本身的稀疏性造成的觀測數(shù)據(jù)魯棒性和區(qū)分性受限問題， 即如何建立易于處理的環(huán)境有效表征方式。

3) 數(shù)據(jù)規(guī)模會隨著運行時間增加而導致需要判斷的幀數(shù)據(jù)不斷增長， 會降低建圖的實時性。

基于激光的場景識別致力于尋求一種有效而簡明的位置描述符， 目 前已有的 閉 環(huán)檢測 技術(shù)有基于 MonteCarlo 的節(jié)點搜索算法［28］， 也可依據(jù) GPS 輔助法進行輔助閉環(huán)判斷; 有基于描述子的回環(huán)檢測算法， 通過提取局部或全局場景描述子進行場景識別， 局部描述子代表算法有 FPFH ［23］ : 利用 局部表面法向量計算局部描述子，Bosse 等［29］提出一種基于 Gasalt3D 描述符的概率投票方法， 由幾何信息和強度信息組成局部描述符 ISHOT ［30］ ;

全局描述子代表算法有將關(guān)鍵點對的相對幾何位置編碼成直方圖的 GLAＲOT 方法［31］， 將激光掃描投影到全局描述符的掃描上下文 Scan Context 方法［32］等， BoW(bag of words)［33］一種基于詞袋模型的場景識別算法， 還有 FAB-Map(fast appearance based mapping)［34］和 DBoW2 ［35］ 等方法， 但 這 些 方 法 起 初 是 被 用 于 視 覺 SLAM， 如 OＲB SLAM ［36］ 和 LDSO ［37］ 。

1.2 .3后端圖優(yōu)化

后端優(yōu)化是將各幀雷達的位姿和幀間運動約束綜合起來達到整體優(yōu)化的一個過程， 可以消除局部累計誤差，在大尺度的建圖中， 一般需要具備一個“監(jiān)管者”來時刻協(xié)調(diào)之前的軌跡， 這便是 SLAM 的后端優(yōu)化。

綜述［38-39］對優(yōu)化方法已有系統(tǒng)的詳細介紹， 基于圖優(yōu)化 SLAM 的后端優(yōu)化方法可概括分為 4 類: 基于最小二乘法的優(yōu)化方法、基于松弛迭代的優(yōu)化方法、基于隨機梯度下降的優(yōu)化方法以及基于流形迭代方法。目前基于圖優(yōu)化的開源優(yōu)化庫有 iSAM(incremental smoothing and mapping)［40］、GTSAM ( georgia tech smoothing and mapping)［41］、 G2O( general graph optimization )［42］、 Ceres ［43］ 、 BA ( bundle adjustment)［44］等， 借助于這些優(yōu)化庫可節(jié)省后端迭代求解優(yōu)化值的時間。

1.2 .4地圖表示

通過 3D 激光雷達 SLAM 算法最容易得出的是點云地圖， 如圖 4(a) ， 它可以直觀描述周圍環(huán)境， 具備基本的環(huán)境展示功能， 但因點云數(shù)量龐大， 一般需要通過體素濾波進行一定的降采樣才能正常顯示。

此外由于單純的點云無法表示障礙物信息且不具備特征， 所以無法直接用于導航和避障以及基于特征的定位， 但可用于實現(xiàn)基于點云配準的定位研究。在點云地圖的基礎(chǔ)上進一步處理， 根據(jù)使用目的， 將從點云地圖中提取出的特征聚在一起可以構(gòu)成使用特征進行定位的稀疏特征地圖， 如圖 4(c) 所示， 還可以構(gòu)成用于導航避障和路徑規(guī)劃的占據(jù)網(wǎng)格地圖以及壓縮性能更好的八叉樹地圖， 如圖 4(b)所示。

占據(jù)網(wǎng)格地圖常采取柵格或者體素的方式， 在最小化柵格或者體素中用概率或者 0 ～ 1 的形式表示被占據(jù)的狀態(tài)， CSM ［45］中構(gòu)建了二維占據(jù)柵格地圖，OctoMap ［46］ 中提出了將點云地圖轉(zhuǎn)變?yōu)槿S占據(jù)地圖的方法， 八叉樹地圖是一種特殊的占據(jù)柵格地圖， 該結(jié)構(gòu)中占據(jù)概率相同的柵格可進行合并， 從而降低存儲地圖的空間。

近年來語義地圖的出現(xiàn)與發(fā)展也提高了機器對周圍環(huán)境感的內(nèi) 容理解， 如圖 4(c) 所示， 語義地圖聯(lián)合幾何和內(nèi)容兩個層次的感知， 幫助提高 SLAM 建圖和定位的精度， 也能更好的提升機器智能化理解環(huán)境的能力。

2、

研究熱點及發(fā)展趨勢

激光雷達點云具有局部稀疏性、數(shù)據(jù)量大和動態(tài)對象會引起噪聲的特征， 這也成為了基于激光點云的SLAM 研究中的難點。與圖像匹配問題相比， 點云的稀疏性使得從源點云和目標點云中找到兩個精確匹配點通常是不可行的， 而且激光掃描儀從不同角度觀察到的同一物體的外觀差異很大， 這就增加了 特征提取的難度。

其次由于激光掃描儀每秒會產(chǎn)生數(shù)百萬個點， 需要高效的算法和強大的計算單元， 對于算法的實時性有著較高的要求。最后動態(tài)對象點云會引起噪聲干擾， 對其進行處理的方法是否得當對于能否實現(xiàn)理想的高精度估計也是至關(guān)重要的。此外， 場景的不斷變化被認為是解決 3D激光雷達 SLAM 問題的最大挑戰(zhàn)。

利用激光點云解決 SLAM 中三維地圖的構(gòu)建問題，最早是在 2014 年由卡耐基梅隆大學的 Zhang 博士等提出的， 即著名的 LOAM(lidar odometry and mapping)［22］算法， 該算法以新穎的方法提取激光點云線面特征減少計算量， 并創(chuàng)造性的將運動估計問題分成兩個獨立算法來共同完成， 一個算法執(zhí)行高頻率的里程計但是低精度的運動估計， 另一個算法運行頻率較低的匹配建圖但返回高精確的運動估計， 最終將兩個數(shù)據(jù)融合成高頻率高精度的運動估計， 很好的權(quán)衡了精度和效率， 實時性高， 唯一的不足點在于缺少回環(huán)檢測。

之后 LeGO-LOAM ［47］ 在LOAM 的基礎(chǔ)上衍生出新的框架， 在特征提取上提升輕量化和地面優(yōu)化， 并增加了回環(huán)檢測， 整個框架與目前成熟的圖優(yōu)化3D激光雷達SLAM 方案框架吻合， 構(gòu)建的地圖更加完善。hdl_gragh_slam ［48］ 也是標準的圖優(yōu)化 3D激光雷達 SLAM 框架， 新穎點在于后端優(yōu)化過程中融合了 GPS、IMU 和路面約束信息， 可以更好的構(gòu)建全局一致性地圖。隨著多線激光雷達的問世， 激光 SLAM 的研究學者們在三維激光 SLAM 領(lǐng)域開拓進展， 主要的研究熱點與趨勢也聚焦在圖優(yōu)化 3D 激光雷達 SLAM 框架的關(guān)鍵模塊上。

2. 1 激光慣性里程計

激光里程計(LiDAＲ odometry， LO) 僅基于點云配準算法獲取當前幀的全局位姿， 但由于 Lidar 本身會受稀疏性和運動擾動影響而導致感知準確度降低， 以及在一些Lidar 退化情況下其感知點數(shù)量會嚴重減少， 這都會使激光里程計的精度受到較大程度影響。研究學者們通過融合 IMU 的數(shù)據(jù)來保證和提升激光里程計的精度。一種類別是松耦合方法， 該方法分別考慮 Lidar 和 IMU 的估計， 以損失信息為代價來換取較小的計算負載。

例如在LOAM 中依賴于 IMU 解算朝向作為輔助但假設(shè)勻速運動， 將 IMU 作為整個系統(tǒng)的先驗， 但它不能利用 IMU 測量用于進一步優(yōu)化。

另一種類別是緊耦合方法，通過 IMU 測量提供狀態(tài)預測， 同時測量更新被用于修正預測的狀態(tài)， 領(lǐng)域內(nèi)也稱之為 激 光 慣 性 里 程 計 ( lidar inertial odometry， LIO ) ，LIO_mapping ［49］ 初次提出了 緊耦合的 Lidar-IMU 融合方法，通過聯(lián)合優(yōu)化 IMU 和 Lidar 的測量數(shù)據(jù)， 即使在 Lidar退化的情況下也沒有明顯漂移， 相較于松耦合的方法， 緊耦合的方法會使精度大幅提升。

Liom 提出一種新的緊耦合激光慣性里程計和建圖方法來達到低漂移和魯棒的位姿估計，激光慣性里程計模塊采用誤差狀態(tài)卡爾曼濾波器(ESKF) 來實現(xiàn)激光掃 描儀和 IMU 的 傳感器融合［50］。

MC2SLAM 提出一種新的緊耦合方法， 把點云畸變補償和點云匹配統(tǒng)一到一個優(yōu)化任務(wù)中，并在后端使用 IMU 預積分進行位姿優(yōu)化， 精度被進一步提高

［51］。LIO-SAM 作為LeGO-SLAM 的作者，在圖優(yōu)化框架的基礎(chǔ)上實現(xiàn)緊耦合激光 － 慣性里程計， 采用的是因子圖而非濾波方式進行優(yōu)化［52］。

激光里程計模塊作為整個3D 激光雷達 SLAM 方案的基礎(chǔ)模塊， 可直接進行位姿估計與構(gòu)建地圖， 在理想情況下該模塊的輸出結(jié)果可直接導出使用， 其精度直接影響最后的結(jié)果，因此找到一種高效通用的方法實現(xiàn)激光和慣導數(shù)據(jù)的緊耦合并提升精度仍是未來的研究重點。

2. 2 場景識別

場景識別是 SLAM 的關(guān)鍵任務(wù)之一。場景識別具有兩個功能， 一是用于歷史場景的識別， 二是用于相對于存在地圖的位姿估計即重定位。Dube 等［53］首次提出基于分割的 3D 點云場景識別方法 SegMatch， 把傳統(tǒng)基于局部特征和全局特征進行場景識別的方法進行了 折中，能夠?qū)崿F(xiàn)實時、 可靠的檢測閉環(huán)。Segmap 方法［54］采用與 Segmatch 相同的基于分割的思想， 提出 了 一種基于深度學習的 3D 點云分割描述子， 提升了 定位性能且能夠提取語義信息。

SUMA 方法［55］使用 Surfel 地圖 高效地生成投影數(shù)據(jù)關(guān)聯(lián)并實現(xiàn)閉環(huán)檢測， 此前 Surfel 地圖曾被用在 ＲGBD-SLAM 中， SUMA 將其首次應用于激光SLAM 中， 該方法只基于激光點云就可以建立大尺度環(huán)境下的全局一致性地圖。

DELIGHT 僅依靠激光雷達實現(xiàn)全局定位， 采用 雷達獲取的反射強度信息而非常規(guī)的距離信息進行場景識別， 算法分為兩個階段， 包含一個基于密度描述子的 先驗估計和 一個基于幾何的驗證， 從而解決了“機器人喚醒”問題［56］。

ISC 方法［57］是基于激光雷達點云的全局回環(huán)檢測算法， 利用點云的幾何信息和密度信息構(gòu)建新型全局描述子 ISC。場景識別的基本能力 是能夠有效地描述地圖 信息， 因此地圖描述的高效性和魯棒性至關(guān)重要， 能夠增加機器人理解環(huán)境的能力， 幾何信息與語義信息結(jié)合的描述形式將是未來的一個可能趨勢。

2. 3 后端優(yōu)化

如何高效的通過后端優(yōu)化來修正運動位姿和提高構(gòu)建地圖的精度也是研究關(guān)注的熱點之一。C-T SLAM ［58］是一種分層、連續(xù)時間的 3D 激光雷達 SLAM 算法， 采用高效的局部地圖和分層的優(yōu)化后端， 允許實時建圖期間優(yōu)化修正。BALM 將視覺 SLAM 領(lǐng)域中取得極大成功的BA 框架引入激光建圖模塊， 以此降低建圖過程中的累計誤差［59］。

LIO-SAM 的［52］后端優(yōu)化采用因子圖優(yōu)化， 融合激光里程計因子、IMU 預積分因子、GPS 因子和回環(huán)因子， 得到更魯棒的運動估計。現(xiàn)有的后端優(yōu)化都是建立在正確的數(shù)據(jù)關(guān)聯(lián)基礎(chǔ)上的， 否則會產(chǎn)生錯誤的地圖結(jié)果， 這將使得后端優(yōu)化的使用性受到限制， 因此能夠自動甄別并刪除錯誤的關(guān)聯(lián)數(shù)據(jù)， 實現(xiàn)在存有錯誤約束數(shù)據(jù)的情況下仍能構(gòu)建正確地圖的魯棒性后端優(yōu)化方法也是未來的發(fā)展趨勢。

2. 4 動態(tài)物體

在動態(tài)變化的環(huán)境中實現(xiàn)準確的定位是一件困難的事情， 大多數(shù)激光 SLAM 方法假設(shè)環(huán)境是靜態(tài)的， 因為這些方法依賴激光提供的測量， 它們很難處理物體劇烈運動導致環(huán)境幾何退化的問 題。因此如何在高速運動場景中實現(xiàn)魯棒性的位姿估計亦是研究的熱點之一。

SuMa + +［60］基于 SUMA 框架提出， 利用每幀點云中逐點的語義標號構(gòu)建全局語義地圖， 利用 ＲangeNet + +可靠濾除場景中的動 態(tài)物體， 提高構(gòu) 建地圖 的 精度。LIO-LiDAＲ ［61］ 融合激光慣性里程計(LIO) 和 LiDAＲ 全局定位模塊到一個位姿圖優(yōu)化框架中， 利用二者的互補性解決動態(tài)場景中長期定位的精準問題。

LIOM 考慮到動態(tài)物體在環(huán)境地圖構(gòu)建過程中的幾何退化， 不利于構(gòu)建大尺度環(huán)境， 設(shè)計動態(tài)物體檢測模塊用于檢測和移除每幀的動態(tài)物體擾動產(chǎn)生的點云［50］。但 LIOM 一次性處理所有測量， 因此不能達到較高的實時性。

2. 5 結(jié)合深度學習

為了有效地利用所有可用的掃描數(shù)據(jù)， 基于深度學習的方法為直接從激光雷達數(shù)據(jù)估計機器人的姿態(tài)提供了潛在的解決方案。類似的方法已經(jīng)成功地應用于相機數(shù)據(jù)， 并證明了有希望的結(jié)果［62］。在使用激光雷達數(shù)據(jù)進行基于學習的機器人姿態(tài)估計領(lǐng)域， 將深度學習用于解決 SLAM 問題也逐漸成為趨勢， 研究人員開始利用深度學習方法對 3D 激光雷達 SLAM 框架中的關(guān)鍵模塊進行改進， 如 LO-Net ［63］ 、 DMLO ［64］ 、 DeepLO ［65］等針對激光里程計任務(wù)設(shè)計了基于深度學習框架的特征匹配估計;百度團隊提出的 DeepICP ［66］ 端到端 3D 點云配準深度學習框架， 考慮到動態(tài)對象的干擾， 充分利用靜態(tài)對象的顯著特點， 從而達到高魯棒性; SUMA + +［60］中也利用ＲangeNet + + 網(wǎng)絡(luò)濾除場景中的動態(tài)物體。

在閉環(huán)檢測模塊中利用深度神經(jīng)網(wǎng)絡(luò)設(shè)計 OverlapNet ［67］ ， 該方法基于 LiDAＲ 數(shù)據(jù)的不同線索搜尋回路閉合， 基于 LiDAＲ 數(shù)據(jù)的不同維度信息搜尋回路閉合， 將里程計結(jié)果結(jié)合范圍、法向量、強度和語義等信息定義重疊率， 對閉環(huán)結(jié)果進行檢測、修正。

除以上研究熱點外， 點云匹配算法的優(yōu)化也在不斷創(chuàng)新， 如 Fossel 等［68］提出 一個 LiDAＲ SLAM 前端， 稱之為 NOctoSLAM。該方案使用點面 ICP進行幀圖位姿匹配， 并使用 octree 替代傳統(tǒng)的 kd-tree 構(gòu)建地圖， 從而可以快速地尋找數(shù)據(jù)關(guān)聯(lián)和計算近似法向量。與傳統(tǒng)的基于kd-tree 地圖的點面 ICP 算法相比， 效率提高了 近兩倍。

文獻［69-70］ 考慮到室內(nèi)較于室外多結(jié)構(gòu)化特征環(huán)境的特點， 提出面向室內(nèi) 環(huán)境的激光慣性里程計方法和點云平面特征提取方法。除此之外， 研究人員還考慮到地圖的長期重復定位問題， 如 Egger 等［71］基于 3D 點云特征提出了一種新的點云地圖表示方式 PoseMap， 保證了在動態(tài)環(huán)境中機器人可靠的長期定位， 新的地圖表示方法允許地圖在線更新擴展。

3、

算法評估測試

3. 1 數(shù)據(jù)集

研究應用 3D 激光雷達 SLAM 的移動載體有無人車、無人船以及無人機， 而目前的激光點云數(shù)據(jù)集主要是針對自動駕駛場景， 室外場景下的數(shù)據(jù)收集工作規(guī)模大而繁瑣， 涉及各種傳感器間的時間同步、 坐標校準和標定等， 公開數(shù)據(jù)集節(jié)省了算法研究的數(shù)據(jù)準備工作， 提供的序列和基準框架也有利于算法開發(fā)。

目前領(lǐng)域內(nèi)公開的激光點云數(shù)據(jù)集有:KITTI 數(shù)據(jù)集［72-73］，是目前國際上最大的自 動駕駛場景下的評測數(shù)據(jù)集，也是學術(shù)界最常使用的數(shù)據(jù)集; Waymo 數(shù)據(jù)集［74］， 自動駕駛公司 Waymo 的數(shù)據(jù)開放項目 ; PandaSet 數(shù) 據(jù)集［75］， 采集場景位于舊金山， 用以開發(fā)復雜環(huán)境和極端天氣下安全可控的自動駕駛技術(shù); Oxford Ｒobotcar 數(shù)據(jù)集［76］， 由牛津大學機器人實驗室提出 的 公開數(shù)據(jù)集;

USVInland 數(shù)據(jù)集［77］， 仿照 KITTI 數(shù)據(jù)集模式， 清華大學與西北工業(yè)大學的研究人員 聯(lián)合歐卡智舶公開的一組內(nèi)陸水道中 無人船的多傳感器數(shù)據(jù)集， 也是全球第一個內(nèi)河場景下包含激光點云數(shù)據(jù)的無人船數(shù)據(jù)集。而針對無人機平臺的激光點云公開數(shù)據(jù)集目 前尚未出現(xiàn)， 學術(shù)界研究仍多是自收集數(shù)據(jù)。

3. 2 算法性能評估標準

近年來學術(shù)界有關(guān) 3D 激光雷達 SLAM 算法的研究幾乎都是在 KITTI 數(shù)據(jù)集上進行的［47，51-52，55，57-67］， 該數(shù)據(jù)集是汽車在具有動態(tài)對象和植被的各種道路環(huán)境中駕駛期間捕獲的， 例如高速公路、 鄉(xiāng)村道路和城市區(qū)域， 行駛速度高達 90 km/h。由車載 Velodyne HDL-64ES2 捕獲的點云已經(jīng)完成去偏移處理， 此外數(shù)據(jù)包中也包含有 IMU、GPS 以及圖像數(shù)據(jù)。

因此， 該數(shù)據(jù)集被允許對任何由 3D 激光雷達 SLAM 方法獲得的軌跡進行評估， 可以被直接饋送到所提出 的方法中 進行評估比較。對于所提出的算法性能一般基于以下 3 個標準進行性能評估:

1) KITTI 官方標準［72-73］:

KITTI 里程計基準總共包括 22 個序列數(shù)據(jù)， 官方只提供 11(序列號為 00-10) 個帶有真實軌跡的數(shù)據(jù)集， 另外 11 (序列號為 11-21) 個沒有真實軌跡的數(shù)據(jù)集序列用于 KITTI 官方的評估對比。評估方式為計算數(shù)據(jù)集中相對于真實軌跡不同長度(100 ～800 m) 的平移誤差和旋轉(zhuǎn)誤差， 并計算平均值。

2) 精度指標:相 對 位 姿 誤 差 ( relative pose error，ＲPE)［78］用于描述相隔一定時間 差的兩幀位姿差的精度， 即在用時間戳對齊之后， 每隔一段相同時間分別計算真實位姿和估計位姿的變化量， 然后對兩者做差， 從而獲得相對位姿誤差， 之后可以用均方根誤差 ＲMSE 統(tǒng)計各段時間的相對位姿誤差從而獲得總體值; 絕對軌跡誤差(absolute trajectory error， ATE)［78］描述的是估計位姿和真實位姿之間的直接差值， 可以非常直觀地反映算法精度和軌跡的全局一致性。

3) 算法耗時和處理幀率:作為計算效率的指標， 統(tǒng)計了處理 KITTI 里程數(shù)據(jù)集的序列所花費的時間并計算出幀率， 能夠直觀反映計算負載和實時性能。

除 KITTI 數(shù)據(jù)集等公開數(shù)據(jù)集以外， 也可以使用通過多線激光雷達錄制的數(shù)據(jù)包， 依據(jù)精度指標進行激光SLAM 算法的性能評估。

3. 3 算法性能評估實驗

本文選取了 6 種目前開源的3D 激光雷達 SLAM 算法進行測試與評估， 如表 1 所示。我們將其應用于機器人操作系統(tǒng)(robot operating system， ＲOS) 中， 所有的算法都在基于 KITTI 公開數(shù)據(jù)集基準的實驗中進行了評估和比較。為了評價所測試算法的性能， 在相同的條件下收集實驗結(jié)果， 并進行性能度量。

我們將序列號為 07 的數(shù)據(jù)輸入選取的各算法， 得到構(gòu)建的點云地圖。圖 5 所示為其中具有代表性的 5 種算法所構(gòu)建的點云地圖， SUMA 算法構(gòu)建的點云地圖效果基本相同， 可以看到， 僅憑地圖構(gòu)建效果無法判斷算法在性能上的差異， 僅能在圖 5(e) 判斷 Cartographer 算法在建圖結(jié)果上稍有遜色， 圖 5(e) 中圓圈 A 代表為同一部分的不同視角， 沒有形成閉環(huán)， 因此我們需采用 3. 2 節(jié)所述算法性能評估標準進行評估。

1) KITTI 官方標準

表 2 列舉了 KITTI 數(shù)據(jù)集中序列號分別為 00、05 和07 的數(shù)據(jù)測評結(jié)果， 該表中數(shù)據(jù)來源于 LITAMIN2 ［79］ 其作者使用 的實驗設(shè)備為 具有 32 GB ＲAM 的 Intel Corei9-9900K和 NVIDIA GeForce ＲTX 2080 Ti 的 臺 式 機。

KITTI 官方也提供了專門用于數(shù)據(jù)平移誤差和旋轉(zhuǎn)誤差的精度測評工具 KITTI_odometry_evaluation_tool， 其測評效果如圖 6 所示。

2) 精度指標

本文借助于 evo 測評工具進行測試實驗， 主要通過精度指標 ＲPE 以及 ATE 對算法性能評估。實驗硬件設(shè)備為具有 16 GB ＲAM 的 Intel Core i7-10700 和 NVIDIA GeForce ＲTX 3070 的 臺 式 機， 系 統(tǒng) 環(huán) 境 為 基 于Ubuntu18. 04 操作系統(tǒng)的 ＲOS 系統(tǒng)。選取了 KITTI 數(shù)據(jù)集中序列號為 00、05 和 07 的數(shù)據(jù)進行算法的測試評估。

如圖 7 所示， 對比的是 00 序列數(shù)據(jù)五種算法最終輸出的軌跡和位姿結(jié)果， 其中 KITTI_00_gt 虛線表示的是該序列的軌跡真值。從圖 7(a) 中 y 方向可以較為直觀的得出 hdl_graph_slam 和 LIO-SAM 算法的輸出結(jié)果最貼近真實軌跡， 說明該算法較其他算法有更加精確的估計軌跡。

圖 7(b) 中可以看出姿態(tài)角每個算法輸出相較于真實值各不相同， 但從俯仰角(pitch) 也可以看出 hdl_graph_slam 和 LIO-SAM 算法的輸出結(jié)果最貼近真實值。如圖 8 所示， 通過 evo 工具得到的 LeGO-LOAM 算法輸出軌跡平移誤差的 ATE、 ＲPE 結(jié)果， 圖中的 APE 等同于 ATE。表 3 中統(tǒng)計了除 Cartographer 算法 00 序列 5 種算法平移誤差 ATE、 ＲPE 的 rmse 數(shù)據(jù)， 表中數(shù)據(jù)也映證了 LIO-SAM 算法較于其他算法在軌跡誤差上的優(yōu)越性。

3) 算法耗時和處理幀率

本文測試實驗對 5 種算法的耗時和處理幀率進行了統(tǒng)計， 表 4 數(shù)據(jù)為本文實驗統(tǒng)計數(shù)據(jù)， 硬件設(shè)備為16 GB ＲAM 的 Intel Core i7-10700 和 NVIDIA GeForceＲTX3070。

表 4 數(shù)據(jù)可以看到， Lego-LOAM 算法在耗時和處理幀率上表現(xiàn)最佳， SUMA 算法緊隨其后， LIO-SAM 算法也有著不凡的表現(xiàn)， LOAM 和 hdl_graph_slam 兩種算法表現(xiàn)一般， 而 Cartographer 算法相較其他算法的實時性差距過大， 在實時建圖需求下并非良好的選擇。

本測試實驗中， 除了 Cartographer 算法其他算法均實現(xiàn)了實時性， 甚至可以加速處理。依據(jù)表 3 和表 4 的測試數(shù)據(jù)， Lego-LOAM 雖然優(yōu)化 LOAM 算法框架實現(xiàn)了計算上的輕量化， 使得算法在計算效率上大幅提升， 但在精度方面卻有所欠缺; 所選算法中 LIO-SAM 算法在精度方面展現(xiàn)出優(yōu)越性的同時， 實時性也得到了保障， 在所選取的算法中表現(xiàn)優(yōu)越; Cartographer 算法雖然在室內(nèi) 2D 建圖上性能較為優(yōu)越， 但在室外大范圍環(huán)境中實現(xiàn) 3D 建圖

則捉襟見肘。

4、

技術(shù)應用趨勢分析

3D 激光雷達 SLAM 技術(shù)近年來的蓬勃發(fā)展是有目共睹的， 其核心課題是同步定位與地圖創(chuàng)建。我們針對3D 激光雷達 SLAM 技術(shù)應用領(lǐng)域， 運用 Citespace 進行科學知識圖譜繪制， 從而研究技術(shù)應用趨勢。我們分別從CNKI 學術(shù)期刊庫和 WOS 核心合集檢索到文獻的關(guān)鍵詞共現(xiàn)分析結(jié)果， 圖 9 展示了檢索文獻的關(guān)鍵詞聯(lián)合突現(xiàn)分析結(jié)果， 針對 2000 ～2021 年的論文， 其中 CNKI 檢索主題詞為“3D 激光雷達 SLAM”， WOS 檢索主題詞為“3D Lidar SLAM”， 再對文獻進行領(lǐng)域相關(guān)篩選， 最終得到與3D 激光雷達 SLAM 技術(shù)應用領(lǐng)域密切相關(guān)的 207 條中文文獻和 346 條英文文獻。從共現(xiàn)結(jié)果可以看到， 目前應用領(lǐng)域主要包括移動機器人領(lǐng)域和測繪領(lǐng)域。

移動機器人領(lǐng)域: 當下服務(wù)型機器人已經(jīng)成為 3D 激光雷達 SLAM 技術(shù)的熱門應用場景， 主要有物流配送機器人，導游機器人，巡檢機器人等。從原理上來說， 無人駕駛汽車也屬于移動機器人，目前無人駕駛領(lǐng)域的裝備競演愈發(fā)火熱，隨著城市物聯(lián)網(wǎng)和智能系統(tǒng)的完善， 無人駕駛已是大勢所趨。無人船、無人機移動載體能夠規(guī)避障礙物、路徑規(guī)劃，實現(xiàn)自主智能化也需要 SLAM 技術(shù)的支持。針對單個平臺激光雷達建圖周期長、算力需求大的現(xiàn)狀， 研究多車協(xié)同建圖方法， 增加平臺間的地圖重用性， 提高建圖效率，實現(xiàn)有效負載均衡是未來發(fā)展的趨勢。

測繪領(lǐng)域: 高效實時地獲取 3D 精細化模型， 對目標區(qū)域進行快速三維重建是測繪領(lǐng)域的核心課題，3D 激光雷達 SLAM 技術(shù)使得實時快速重建成為可能， 現(xiàn)下已成功應用于各種移動測繪平臺，如移動背包 SLAM、 手持SLAM 掃 描 系 統(tǒng)、 推 車 SLAM、 無 人 機 SLAM、 無 人 船SLAM 等， 應用場景有室內(nèi)測繪、礦井測繪、林業(yè)測量、工地測量， 海洋平臺測繪等。

由于測繪需求的高精度， 多數(shù)移動測繪平臺無法分配更多的計算資源用于后端優(yōu)化構(gòu)建， 一般采用離線處理或?qū)崟r數(shù)據(jù)上傳到高性能服務(wù)器上進行計算， 從而取得高精度重建結(jié)果。在保證精度的前提下， 如何改進優(yōu)化算法提高數(shù)據(jù)處理速度實現(xiàn)實時性， 如何克服大量相似場景間的誤匹配， 仍是未來探索的方向和難點。

結(jié) 論

3D 激光雷達 SLAM 算法在傳統(tǒng)關(guān)鍵模塊上仍需實現(xiàn)更好的輕量化、 精確性、 魯棒性以及通用化， 語義地圖和深度學習的融入已成為趨勢， 與其他能實現(xiàn)自 主定位源的傳感器如深度相機、 毫米波雷達等進行多源融合亦是當前研究熱點，3D 激光雷達 SLAM 技術(shù)對無人平臺實現(xiàn)自主智能化的發(fā)展必將產(chǎn)生深遠影響。

本文依據(jù)梳理的算法性能評估標準對開源算法進行了測試實驗， 并初步得出評估結(jié)論， 而由于算法的開源性問題， 如 LOAM 算法原項目 未開源， 以及 hdl_graph_slam和 LIO-SAM 算法融入了 GPS 數(shù)據(jù)， 受實驗條件和開源算法輸入限制， 本文僅利用點云和 IMU 數(shù)據(jù)進行測試， 實驗本身還具有一定缺陷， 無法對各算法進行更加深入的測試評估， 在未來工作中我們將嘗試融入多源數(shù)據(jù)， 進行更加全面且深刻的研究。