开篇前（qián）试（shì）想（xiǎng）这样两（liǎng）个场景：

在一（yī）个相对较小的地方（如房（fáng）间），让（ràng）你快速找某个东西，是不是很容易，很清楚自己在哪里，要怎（zěn）么拿到他。

然后，把你（nǐ）放（fàng）到一个大场景（如商（shāng）场），在不熟悉的情况（kuàng）下，是不是有点慌？

这两个（gè）场景（jǐng）的典型区别就在（zài）于场（chǎng）景的大小不同，需要人处理的信息量不同。同理，机器人在（zài）初次面对的时候也会有点慌。但其实（shí），只要清楚他的“地（dì）图构造”，再大的场景也（yě）不是问（wèn）题。

目（mù）前，虽然即（jí）时地图构建和导（dǎo）航技术已（yǐ）经日益成（chéng）熟（shú）,但是大规（guī）模场景下较大的（de）环（huán）境面（miàn）积及（jí）复杂的场景（jǐng）结构给地图构建带（dài）来了较大挑战。甚至在有（yǒu）些（xiē）人眼里（lǐ），这是工作量巨大的，繁琐的、构建不准确的……但其（qí）实，思岚科技的技术可以轻松完成10w+㎡场景（jǐng）下的地图构建，边走边（biān）建（jiàn）图（tú），无需预先探明地图。

比如，这（zhè）样的：

这样的：

以及这样的（de）：

一（yī）个典型（xíng）的（de）商用场景特征如（rú）下：

针对大场景的地图构建，如果（guǒ）使（shǐ）用激光雷（léi）达配合SLAM算法进行建图（tú）的话，首（shǒu）先需要使用较（jiào）远（yuǎn）测距半径（jìng）的激光雷达传感器。目前为（wéi）了适（shì）应上（shàng）述的（de）商用（yòng）场景，行（háng）业内会使用测距（jù）半径在16米（mǐ）以上的激光雷达产品，而比较理想的测量半径是（shì）25米，从而保证能够应对各（gè）类极端条（tiáo）件。

除了（le）保障传感（gǎn）器的（de）测距半径符合环境需求外，SLAM算法还需要具备闭环检测能力。比如（rú）有些场景，长走廊和环路较多，相似的场（chǎng）景也很多，在SLAM过程中难以形成有效的全局匹配参考，从（cóng）而（ér）很容易导致局部区（qū）域累计误差无（wú）法及时清除，进而导致回环闭（bì）合问题。如下图：

| 由于环境场景大且多为长直（zhí）走廊，导致（zhì）SLAM建图中容易出（chū）现环路闭合失败的情况

为了解决上述问题，行（háng）业（yè）内（nèi）的普（pǔ）遍（biàn）做法有两种（zhǒng）：

1.采用粒子（zǐ）滤波的（de）SLAM方法

使用多张平行存在的候选地图（粒子）同时进行（háng）地图构建，并且时刻挑选出（chū）其（qí）中概（gài）率上更加符合真（zhēn）实情况的地（dì）图作（zuò）为（wéi）当前（qián）结果。由（yóu）于（yú）不同（tóng）的粒子之间建立（lì）的地（dì）图存在（zài）区别，因此从（cóng）概率上看，当机器人（rén）在环境中行走完一个环（huán）路后，众多（duō）粒子中存（cún）在闭环（huán）地图的可能性相（xiàng）比传统单一建图（tú）的模式要高很多。因此这种方法可（kě）以一定程度的解决闭环问（wèn）题。

| 采（cǎi）用rbpf(Rao-Blackwellized particle filters)的（de）SLAM算（suàn）法

采用（yòng）粒（lì）子滤波的SLAM算（suàn）法因（yīn）其可以非常有效的规避（bì）因为局部（bù）噪声导致（zhì）的建图失效问题（tí），曾（céng）一度成为行业内激光SLAM方式的主流方案。然而，这种方式的SLAM算法，由（yóu）于系统参数和传（chuán）感器观测（cè）等存在不确定性，先天存（cún）在资源（yuán）消耗大的缺点。

以rbpf-slam为例，实际应（yīng）用（yòng）中为了保证较好的鲁棒性，需要维持几十个（gè）粒子数据（jù），每个粒子（zǐ）中（zhōng）都包含了一张当前正在（zài）构建的环境地图信（xìn）息（xī）。这样无疑增（zēng）加（jiā）了SLAM算法的内存消（xiāo）耗。同时，每当新的（de）传感器数据进入，要对地图进行更新（xīn）迭（dié）代时，算法需要对（duì）每个粒子数（shù）据都进（jìn）行相同的匹配计（jì）算和数据（jù）更新（xīn），这也加重了（le）运算（suàn）负担。进一步（bù）的，粒子滤波的SLAM方式虽（suī）然可以大幅度改善回环闭（bì）合问题（tí），但从原理（lǐ）上（shàng）看它并不能真正意义上解决闭环问（wèn）题。对于特殊的环（huán）境下，使用粒（lì）子滤波SLAM可能（néng）会将粒子收敛到错误的方向，导致建图失败。

| 正确的地图构建(左)和（hé）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

基于图优化的SLAM（(Graph-SLAM)）方法，由于（yú）采用了全局优化处理方法（fǎ），能够有效（xiào）的（de）解决建（jiàn）图闭环，获得更好的建图效果，获得行业广泛关注（zhù）。

| 基于图（tú）优化的（de）SLAM框架

相比（bǐ）于rbpf-slam每次（cì）直接（jiē）将传（chuán）感器数据更（gèng）新进入栅（shān）格地图进行构建的做法，Graph-SLAM存储的是地（dì）图构建（jiàn）过程中机（jī）器人位姿变化的拓扑地图信息，以及诸如临近数据（jù）和闭（bì）环（huán）点等数据。

| Graph-SLAM编码了机器（qì）人在（zài）SLAM过程中的位姿变化拓（tuò）扑地图（tú），相关的拓扑信息，如（rú）：闭环、重合数据也得到了（le）编码

而（ér）当（dāng）机器人在（zài）建（jiàn）图中出现了新的回环后（hòu），Graph-SLAM可依赖内（nèi）部的拓扑图进行主（zhǔ）动式的闭环检测，当发现了新的闭环信息后，Graph-SLAM使用Bundle Adjuestment(BA)等算（suàn）法对原先的位姿拓扑（pū）地图进（jìn）行修正（即进行（háng）图优化），从而能有（yǒu）效的进（jìn）行闭（bì）环后地图的修正。因（yīn）此（cǐ）相比与粒子滤（lǜ）波SLAM方式（shì），Graph-SLAM可（kě）以实现更（gèng）加可靠的环境建图。

| Graph-SLAM在检测到原先地图（左）存在可能得闭合路径后，对拓扑图（tú）进行修正从而（ér）得（dé）到（dào）正确（què）的（de）环境建图（tú）（右（yòu））

目（mù）前，SLAMWARE已经采用了最（zuì）新的图优化方式，配合激（jī）光雷达（dá）逐渐在商用复杂环境中开始使用。未来，面（miàn）对机器人应用场景的不断拓（tuò）展，建图技（jì）术必然还会遇到更（gèng）多的（de）问题，而（ér）这些，是未来思岚科技需要和行业一起（qǐ），共同攻克的问题（tí）。