开（kāi）篇前试想这样两个场景：

在一个（gè）相对较小的地方（如房间），让你快速找某（mǒu）个东西，是不（bú）是（shì）很容易，很清楚自己在哪里，要（yào）怎么（me）拿到他。

然后，把你放到一个大场景（如商场（chǎng）），在不（bú）熟（shú）悉的情况下，是不是有点慌？

这两个场景的典型区别（bié）就在于（yú）场景的（de）大小不同，需要（yào）人处理的（de）信息量（liàng）不同。同理（lǐ），机器人在初次面对的时候也会有点（diǎn）慌。但其实，只要清楚他的“地（dì）图构造”，再（zài）大的场景也不是问（wèn）题。

目前，虽然即时地图构（gòu）建（jiàn）和导航技术已（yǐ）经日益成熟,但是大规模场景下较大的环境面积（jī）及复（fù）杂的（de）场景（jǐng）结构给地图（tú）构（gòu）建带来（lái）了较大挑（tiāo）战。甚（shèn）至在（zài）有些人（rén）眼里（lǐ），这是工作量巨大（dà）的，繁琐的、构建不准确的……但其实（shí），思岚科技的（de）技术可以轻松完成10w+㎡场景下的地图构建，边（biān）走边建图，无需预（yù）先探明地图。

比如，这样（yàng）的：

这样的：

以（yǐ）及这（zhè）样的：

一个典型（xíng）的商用场景特征如下：

针（zhēn）对大场景（jǐng）的地图（tú）构（gòu）建，如果使用激光（guāng）雷达配合SLAM算法进行（háng）建图的（de）话（huà），首先需要使用较远测距半径的激光（guāng）雷达传感器。目前为了适应上（shàng）述（shù）的（de）商用场景，行业内会（huì）使用（yòng）测距半径在（zài）16米（mǐ）以上的激光雷达产品（pǐn），而比（bǐ）较理想的测量半径是25米（mǐ），从而保证能（néng）够应对各（gè）类（lèi）极端条件。

除（chú）了保障传感器的测距半径符合环境需（xū）求外（wài），SLAM算法还需要具备（bèi）闭环检测（cè）能力。比如有些（xiē）场（chǎng）景，长走廊（láng）和环路较多，相似的场景也很多，在SLAM过程中难以形成有效的全局匹配参考，从而很容易导致局部（bù）区（qū）域累计误差无法及（jí）时清除，进而导（dǎo）致回环闭合问题。如下图：

| 由于环（huán）境场景大且（qiě）多为长直走廊，导致SLAM建图中容易出现（xiàn）环路（lù）闭合失败的（de）情况

为了（le）解（jiě）决上述问（wèn）题，行业内的普遍做法（fǎ）有（yǒu）两种：

1.采用粒子滤波的SLAM方法

使用多张平行存在的候选（xuǎn）地图（tú）（粒（lì）子）同时进行（háng）地图构建，并且时刻挑选出其（qí）中（zhōng）概率（lǜ）上更加（jiā）符合真实情况的地图作为当前结果。由于不同的粒子（zǐ）之间建立的地图存在区别，因此从概率上看，当机器人在（zài）环境中行（háng）走（zǒu）完（wán）一个环路后，众多粒子中存（cún）在闭环（huán）地图的（de）可能性相比（bǐ）传统单一建图的模式要高很多。因此这种（zhǒng）方法可（kě）以一定程度的（de）解决（jué）闭（bì）环（huán）问题。

| 采（cǎi）用rbpf(Rao-Blackwellized particle filters)的SLAM算法

采用粒（lì）子滤波的（de）SLAM算法因其可以非（fēi）常（cháng）有效（xiào）的规避因为局部噪声导致（zhì）的（de）建图（tú）失效问题，曾（céng）一（yī）度（dù）成（chéng）为行业（yè）内激光SLAM方（fāng）式的主流方案。然而，这（zhè）种方式的SLAM算法，由于（yú）系统参（cān）数和传（chuán）感器观测等存在不确定（dìng）性，先（xiān）天存在资（zī）源（yuán）消耗大的缺点。

以rbpf-slam为例，实（shí）际应用（yòng）中为了保证较好的鲁棒性，需要维持几十个粒（lì）子数据，每个粒子中（zhōng）都包含了一张当前正在构建的环境地图信息。这样无疑增加了SLAM算（suàn）法的内存消耗。同（tóng）时，每当新的传感（gǎn）器数据进（jìn）入，要（yào）对地图进行更新迭代时，算法（fǎ）需要对每个粒子（zǐ）数据都进行相同的（de）匹配计（jì）算和（hé）数（shù）据（jù）更新（xīn），这也加重了运算负（fù）担。进（jìn）一步的，粒子滤波（bō）的SLAM方式虽然可（kě）以大幅度改善回环闭合问题，但从原理上看它并不能真正意义上解决闭环问题（tí）。对（duì）于特殊的环境下，使用粒子滤（lǜ）波SLAM可能会将粒子收敛到错误的方向，导致建图失败。

| 正确的（de）地图构建(左)和当粒子滤波收敛失败得到的错误地图（右）

2.基于图优化的SLAM方式

基于图（tú）优化的SLAM（(Graph-SLAM)）方法，由于采用了全局优化处理方法，能（néng）够有效的解决（jué）建图闭环，获（huò）得（dé）更好（hǎo）的建图效果，获（huò）得行业广（guǎng）泛（fàn）关注。

| 基于图优（yōu）化的（de）SLAM框架

相比于rbpf-slam每次直接（jiē）将传感器（qì）数据更（gèng）新进（jìn）入（rù）栅格地图（tú）进行（háng）构（gòu）建的做法，Graph-SLAM存储的是地图构建（jiàn）过程中机（jī）器人位（wèi）姿变化（huà）的拓扑地图（tú）信息，以及诸如（rú）临近数据和闭环（huán）点等数据。

| Graph-SLAM编码了机器人（rén）在SLAM过程中的位姿变（biàn）化拓扑地图（tú），相关的（de）拓扑信息，如（rú）：闭环、重（chóng）合数（shù）据也（yě）得到了编码

而当机器人在（zài）建图（tú）中出（chū）现了新的（de）回环后，Graph-SLAM可依赖内部的拓扑图进行主动（dòng）式（shì）的闭环检（jiǎn）测，当发现了新的闭环信息后，Graph-SLAM使用Bundle Adjuestment(BA)等算法对原先的位姿拓扑地（dì）图进行修正（即进（jìn）行图优化），从而（ér）能有效的进行闭环后地图的修（xiū）正。因此（cǐ）相比与（yǔ）粒（lì）子滤（lǜ）波SLAM方式，Graph-SLAM可以实现更加可靠的环境建（jiàn）图。

| Graph-SLAM在检测到原先地（dì）图（左（zuǒ））存在可能得（dé）闭（bì）合路（lù）径后（hòu），对拓扑图进行修正从而得到正（zhèng）确的环境建图（tú）（右）

目（mù）前，SLAMWARE已经采用了最新的图优化方式，配合（hé）激光雷（léi）达逐渐在（zài）商用复（fù）杂环境中（zhōng）开（kāi）始使用。未来，面对机器人应用场景的不断拓（tuò）展，建图技（jì）术必（bì）然（rán）还会遇到更多的（de）问题，而（ér）这些，是（shì）未（wèi）来思岚科技需要和行业一起，共同攻克的（de）问题。