开（kāi）篇前试想这样两个场景：

在一个相（xiàng）对较（jiào）小的地方（如房间），让（ràng）你快（kuài）速找某个东西，是不（bú）是（shì）很容易，很清楚自己在哪里，要怎么拿到他。

然后（hòu），把（bǎ）你放到一个大场景（如商场），在不熟悉的（de）情况下，是不是有点慌？

这两个场景的典（diǎn）型区（qū）别就在于场景的大小不同，需要（yào）人处（chù）理的信息量（liàng）不（bú）同。同理，机器人在初次（cì）面（miàn）对的时候也会有点慌（huāng）。但其实，只要清楚他的“地图构造（zào）”，再大的（de）场景也不是问题。

目前，虽然（rán）即时（shí）地图构建和（hé）导航（háng）技术已经日（rì）益（yì）成熟,但是大规模场景下较大的环（huán）境面积及（jí）复（fù）杂的场景结构给地图构建（jiàn）带来了较（jiào）大（dà）挑战。甚至在有些人眼（yǎn）里，这是（shì）工作量巨大的（de），繁琐的、构建不准确的……但其（qí）实，思岚科技的（de）技术可（kě）以（yǐ）轻松完成10w+㎡场景（jǐng）下（xià）的地图（tú）构建，边走边建（jiàn）图，无需（xū）预先探明地图。

比如，这样的：

这样（yàng）的（de）：

以及这样的：

一个典型的商用场景特征如下：

针对大（dà）场景的地（dì）图构建（jiàn），如果使用激光雷（léi）达配合（hé）SLAM算法进行建图的话，首先需要使（shǐ）用较远测距半径的（de）激光雷达传感器（qì）。目前为了适应（yīng）上（shàng）述的商用场景，行（háng）业内会（huì）使用测距半径（jìng）在（zài）16米以上（shàng）的（de）激（jī）光雷达（dá）产品（pǐn），而比较（jiào）理想的测量半径是（shì）25米，从而保证能够应对各类极端条件。

除了保障传（chuán）感器的测距半径符（fú）合环境需求外（wài），SLAM算法还需要（yào）具备闭环（huán）检测能（néng）力。比如有些场景（jǐng），长走廊（láng）和（hé）环路较多（duō），相似的场（chǎng）景也很多，在SLAM过程中难（nán）以形成有效的全（quán）局匹配参考，从（cóng）而很（hěn）容易导致（zhì）局部（bù）区域累计误差无法及时（shí）清除，进而导致回环闭合问题。如下图：

| 由（yóu）于环境场景大且（qiě）多为（wéi）长直走廊，导致SLAM建图中（zhōng）容易出现环路（lù）闭合失败（bài）的情况

为（wéi）了解（jiě）决上述问题（tí），行（háng）业内的普遍做法有两种：

1.采用粒（lì）子滤波的SLAM方法

使用多张平（píng）行存（cún）在的候选地图（粒子）同时进行地（dì）图构建，并且时刻挑选出其中概率上（shàng）更加符合（hé）真实（shí）情况的地图（tú）作（zuò）为当前结（jié）果。由于（yú）不同的（de）粒子（zǐ）之间建立（lì）的地（dì）图存在区别（bié），因（yīn）此从概（gài）率（lǜ）上看，当机器人在环境中行走完（wán）一个（gè）环路后，众多粒子（zǐ）中存在闭（bì）环地图的可（kě）能性相（xiàng）比（bǐ）传统单一建图的模式要高很多。因此这种方法可以一（yī）定程（chéng）度的（de）解决闭环（huán）问题。

| 采用rbpf(Rao-Blackwellized particle filters)的SLAM算法

采用粒子滤波的SLAM算（suàn）法因其可以（yǐ）非常有效（xiào）的规避因为局部（bù）噪声导致的建图失效问题，曾一度成为行（háng）业内激光SLAM方式的主（zhǔ）流方案。然而，这种方式（shì）的SLAM算法（fǎ），由于系统参数和传感器观测等存（cún）在不确定性，先天存在资源消耗大（dà）的缺点。

以rbpf-slam为例，实际应用中为了保证较（jiào）好的鲁棒性，需要维持（chí）几十个粒子（zǐ）数据（jù），每个粒子中都（dōu）包含了一张当前正在构建的环境地图信息。这样无疑（yí）增加了SLAM算法的内存消耗。同时，每当新的传感器数据进入（rù），要对地图进行（háng）更新（xīn）迭代时，算法需要对（duì）每个粒子（zǐ）数据都进行相（xiàng）同的匹配计（jì）算和数据更（gèng）新，这也加重了运算负担。进一步的，粒子（zǐ）滤（lǜ）波的SLAM方（fāng）式虽然可（kě）以大幅度（dù）改善回环闭合问题，但从原（yuán）理上（shàng）看它并不能真正意义（yì）上解决闭环问题。对（duì）于特殊的环境下，使用粒子滤波SLAM可能会将粒子（zǐ）收敛到错误的方向，导致（zhì）建（jiàn）图失败。

| 正确的地图构建(左)和当粒子滤波收敛（liǎn）失败（bài）得（dé）到的（de）错误地图（右）

2.基于图优化（huà）的SLAM方（fāng）式

基于图优化的SLAM（(Graph-SLAM)）方（fāng）法（fǎ），由于采用了全局优化处理方法，能（néng）够有效（xiào）的解决建图闭（bì）环，获（huò）得更好的建图效（xiào）果，获（huò）得行（háng）业广泛（fàn）关注。

| 基于图优化的SLAM框架

相比于rbpf-slam每次直接将（jiāng）传感器（qì）数据更新进入栅格地图进行构建的做（zuò）法，Graph-SLAM存储（chǔ）的是地图构建过程中机（jī）器人位（wèi）姿变化的拓扑地图（tú）信息，以（yǐ）及诸如临近（jìn）数（shù）据（jù）和闭环点等（děng）数据。

| Graph-SLAM编码了（le）机器人（rén）在SLAM过（guò）程中的位姿变化拓（tuò）扑地图，相关的拓扑信（xìn）息（xī），如（rú）：闭环、重（chóng）合数（shù）据也得到了编码

而当机器（qì）人在（zài）建图中出现了新（xīn）的回环后，Graph-SLAM可依赖内部的拓扑（pū）图进行主动式的闭（bì）环检测，当发（fā）现了新的闭环信（xìn）息后（hòu），Graph-SLAM使（shǐ）用Bundle Adjuestment(BA)等算法（fǎ）对原先（xiān）的位姿拓扑地图进行修正（即（jí）进行图优化），从而能有效（xiào）的（de）进行闭环后地图的修正。因此相比与（yǔ）粒子滤（lǜ）波SLAM方（fāng）式，Graph-SLAM可（kě）以实现（xiàn）更加可靠的环（huán）境建（jiàn）图（tú）。

| Graph-SLAM在检测到原先（xiān）地（dì）图（左）存在（zài）可（kě）能得闭合路径后，对拓扑图进行修正从而得到正（zhèng）确的环境建图（tú）（右）

目前，SLAMWARE已（yǐ）经采（cǎi）用了最新的图优化方式，配合激光雷（léi）达逐（zhú）渐在商（shāng）用（yòng）复杂环（huán）境中开始使（shǐ）用。未来（lái），面对机器人应用场（chǎng）景的不断拓展（zhǎn），建图技术必然还会遇到更多（duō）的（de）问题（tí），而这些，是未来思岚科技（jì）需要（yào）和行业一起，共同攻克的（de）问题。