12月26日，以“智能化转型的技术之道”为主题的【WAIC开发者·2020上海临港人工智能开发者大会】在上海临港成功举办。

思岚科技软件研发总监庞梁受邀出席，并发表主题为【基于多源融合SLAM系统的研究与应用】的演讲，全面展示了思岚在低速无人驾驶、机器人领域的SLAM解决方案。

以下为现场精彩摘录：

【SLAM，同步定位与地图构建。简单来说就是：将一个机器人放入未知环境中，机器人可以一边移动一边实时建图。】

· 传统SLAM系统 

SLAM系统解决的是机器人的建图和定位问题，根据传感器的不同可分为激光SLAM和视觉SLAM两大类。建图又分为基于滤波器和非线性优化的图优化建图方法。定位目前常用的是AMCL。

基于滤波器的SLAM系统

基于滤波算法的SLAM系统理论上是一个基于一阶马可夫的过程，是一个“边走边画”的过程，不能涂改，所以建图过程中造成的累计误差会使地图无法完全重合，无法闭环，从而无法在后续的实际中应用。

▲ 无法闭环的地图

所以，行业又把基于卡尔曼滤波的建图方式变为基于粒子滤波。粒子滤波的建图方式只是让点云数据去与地图位置不断匹配，选择一个最匹配的点建立到地图里去，虽然在成功率上有所提高，但始终没有改变“边走边画”的情况。

基于非线性优化的SLAM系统（图优化）

为了解决滤波建图“边走边画”的行业难题，基于非先行优化的SLAM系统登上舞台，他拥有十万平方米级别的地图构建能力，同时拥有主动式回环闭合纠正能力，能很好的消除长时间运行导致的里程累计误差，成为目前行业中最受欢迎的定位导航方式。

▲ 基于非线性优化的SLAM系统

相比较粒子滤波每次直接将传感器数据更新进入栅格地图进行增量式构建的做法，基于非线性化优化的SLAM系统摒弃固定的栅格地图，存储地图构建过程中调整了图结构中每个节点的pose和对应的传感器信息以及所有关键点构建的位姿关系图，利用全部的机器人位姿信息和对应传感器数据生成环境地图。

▲ 183m*110m大场景建图

AMCL 定位

解决了建图问题，我们接下来看看定位问题。目前行业内常用的定位方法是AMCL。他实现了自适应蒙特卡洛定位方法，是机器人在二维移动过程中概率定位系统，采用粒子滤波器来跟踪已知地图中机器人位姿。

但是，在场景中实际应用时，又需要机器人拥有应对环境变化的能力，比如：

1、  环境结构性不强：长直走廊

2、  环境易变：现场随时变

3、  动态障碍物多：人群不断移动

4、  光照影响：黑色物体、灯光、玻璃等

为了解决这些问题，我们要借助多源融合的SLAM系统。

· 多源融合SLAM系统 

目前，我们除了常用激光雷达、视觉摄像头施行SLAM系统之外，Tag、二维码、UWB、语义识别、物体识别等定位源的融合，会让机器人在室内复杂环境中的定位导航鲁棒性更强 。

▲ 常见定位源

目前，多源融合SLAM系统主要分为两种架构，分别是：一主多辅和多源联合。思岚科技采用的是以激光雷达为主，其他传感器为辅的一主多辅架构。

所有的定位源根据时间传递数据信息，进入Fusion模块，产生实时的定位结果。那么如何融合呢？在处理的过程中其实有个主SLAM系统，其他定位源要输出结果给主系统的时候要每个定位源都保持一个变换关系到主系统去，另一个要基于机器人坐标系下的里程信息，基于特征的融合进行信息匹配与处理。

· 室内到室外的落地尝试 

做好了SLAM系统，做好了机器人的定位、建图和导航，下一步，就是机器人的大规模落地应用。

落地应用离不开这几个核心问题的思考，即成本、计算资源与执行效率、研发周期。这些，我们思岚都已逐一攻克，甚至取得了不错的成绩。未来，就室外应用的拓展，庞梁表示：思岚科技已经在室外无人配送、巡检等应用领域布局，并展开了尝试 。

最后，思岚科技希望和业内所有的朋友一起，解决机器人智能移动问题，为低速无人驾驶事业添砖加瓦。