尧图网站建设 
前两篇聊了LOAM和LeGO-LOAM都是基于特征点的方法。这篇换个思路聊一个完全不同的方案——Cartographer。Cartographer是Google在2016年发表在ICRA上的后来开源了是Google内部用了多年的SLAM系统。它最初是为Google Tango和Project Ara设计的后来被广泛应用在机器人和自动驾驶领域。它和LOAM系列最大的区别是什么不用特征点直接用栅格地图做匹配。这个思路来自概率机器人学把SLAM问题转化为概率估计问题。Cartographer在Google内部经过了很多年的打磨工程实现非常成熟。面试中Cartographer和LOAM经常被拿来对比你得清楚两者的架构差异和适用场景。Cartographer的整体架构Cartographer也是前后端分离的但架构和LOAM很不一样。前端局部子图构建 分支定界匹配。把连续的激光帧构建成局部子图submap每个子图是一个小的栅格地图。新帧和当前子图做匹配用的是分支定界算法Branch and Bound不需要特征提取。前端输出的是高频的位姿估计和局部子图。后端全局优化。检测到回环后用SPASparse Pose Adjustment做全局位姿图优化。Cartographer的后端是纯图优化不像LOAM那样分前后端建图。后端的优化结果会反馈给前端更新子图的位姿。这个架构有个特点前端和后端是异步的。前端持续构建子图、做匹配后端在后台做全局优化。两者通过消息队列通信互不阻塞。这个设计让Cartographer的实时性很好不会因为后端优化而卡住前端。# Cartographer的核心流程 class Cartographer: def process(self, scan, pose): # 前端构建子图 匹配 submap.insert(scan, pose) match_result branch_and_bound_match(scan, submap) # 回环检测 if detect_loop_closure(scan, all_submaps): pose_graph.add_constraint(loop_constraint) # 后端全局优化 pose_graph.optimize() return match_result.pose子图构建与匹配Cartographer的前端核心是子图submap的概念。子图是什么把连续N帧激光数据融合成一个栅格地图就是一个子图。每个子图覆盖一小块区域比如10米x10米。当传感器移动超过一定距离就创建新的子图。子图之间是独立的各自维护自己的坐标系。全局优化负责把不同子图的坐标系对齐。子图的大小是个重要的参数。太小了子图数量多全局优化的计算量大。太大了子图内的累积误差大匹配效果差。一般根据场景大小来调室内场景10米左右比较合适。匹配怎么做新来的激光帧和当前子图做匹配用的是概率栅格匹配。每个栅格有一个占据概率值激光帧的每个点落在栅格上算似然概率。最大化所有点的似然概率之和就是最优位姿。概率栅格用的是对数几率log-odds表示法而不是直接存概率值。为什么因为概率值在0和1之间连乘容易数值下溢。对数几率把乘法变成加法数值稳定性更好。更新公式是l_new l_old log(p/(1-p))其中p是观测的占据概率。分支定界算法是Cartographer匹配的核心。它把搜索空间分成多个层级从粗到细搜索。粗层级快速排除不可能的区域细层级精确定位。这个算法的好处是不需要好的初始位姿全局搜索能力强。但代价是计算量大比特征匹配慢不少。# 分支定界匹配的核心思想 def branch_and_bound_match(scan, submap): # 粗搜索低分辨率栅格 candidates coarse_search(scan, submap.low_res) # 细搜索高分辨率栅格 for candidate in candidates: refined fine_search(scan, submap.high_res, candidate) return best_pose(refined)回环检测与全局优化Cartographer的回环检测也是基于子图的。当新子图和旧子图的重叠区域足够大时就尝试做匹配。如果匹配成功就认为检测到了回环。回环检测的关键是怎么判断两个子图有重叠。Cartographer用的是位置距离姿态距离的阈值判断。如果两个子图的位姿距离小于阈值就认为它们可能重叠尝试做分支定界匹配。这个策略简单高效但可能会漏检一些远距离的回环。全局优化用的是SPASparse Pose Adjustment本质上是位姿图优化。Cartographer用Ceres Solver做非线性优化支持多种约束类型匹配约束、IMU约束、里程计约束。Ceres Solver是Google开源的非线性优化库性能很好Cartographer的全局优化就靠它。Cartographer的全局优化是实时的每次加入新约束就增量更新。这个设计让Cartographer在大规模场景下也能保持很好的实时性。但增量更新也有缺点如果早期有位姿估计错误后面很难纠正只能靠回环检测来修正。面试追问环节面试官Cartographer和LOAM的主要区别是什么最大的区别是匹配方式。LOAM用特征点边缘点平面点做点到线、点到面匹配。Cartographer不用特征直接用栅格地图做概率匹配。LOAM的特征提取快但建图质量一般Cartographer的栅格地图建图质量好但计算量大。另外Cartographer有子图的概念LOAM没有。面试官Cartographer适合什么场景Cartographer特别适合室内场景比如办公楼、仓库、商场。它的栅格地图很适合导航和路径规划建出来的地图干净漂亮。Google最初就是在Google Tango和Project Ara上用的Cartographer都是室内场景。室外场景也能用但效果不如室内好因为室外环境特征少栅格匹配容易退化。面试官Cartographer有什么局限计算量大对硬件要求高。分支定界匹配虽然全局搜索能力强但计算量比特征匹配大很多。另外Cartographer的栅格地图是2.5D的对三维场景的表达能力有限。还有Cartographer对参数比较敏感子图大小、匹配参数都要根据场景调。在嵌入式平台上跑Cartographer比较吃力通常需要性能较好的处理器。面试官Cartographer的分支定界和ICP有什么区别ICP是迭代最近点需要好的初始位姿容易陷入局部最优。分支定界是全局搜索从粗到细不需要好的初始位姿。但分支定界的计算量大ICP在初始位姿好的情况下收敛很快。实际使用中Cartographer先用分支定界做粗匹配再用ICP做精匹配两者结合效果最好。面试官实际项目中用Cartographer要注意什么子图大小要调太小了回环检测效果差太大了计算量大。分支定界的搜索范围也要调太大会很慢太小可能漏匹配。还有Cartographer的IMU融合和LOAM系列不一样它用的是紧耦合方式IMU的标定要好。栅格分辨率也是个重要参数太高分辨率计算量大太低分辨率匹配精度差。室内场景一般用0.05米的分辨率。Cartographer和LOAM代表了激光SLAM的两种不同思路特征匹配 vs 栅格匹配。两种方案各有优劣面试中经常被拿来对比。实际项目中选哪个要看具体场景和硬件条件。Cartographer后来也支持了3D激光SLAM用3D概率栅格做匹配。但3D版本的计算量更大对硬件要求更高。Google开源的Cartographer代码质量很高文档也很完善是学习SLAM的好材料。建议跑一下官方的2D demo感受一下栅格匹配的效果。上一篇第251篇 LeGO-LOAM深度解析——轻量级地面优化激光SLAM下一篇我们聊HDL-Graph-SLAM另一个重要的激光SLAM方案。如果这篇文章对你有帮助欢迎点赞支持一下你的鼓励是我持续更新的动力 第252篇 Cartographer深度解析——Google出品的激光SLAM方案
前两篇聊了LOAM和LeGO-LOAM都是基于特征点的方法。这篇换个思路聊一个完全不同的方案——Cartographer。Cartographer是Google在2016年发表在ICRA上的后来开源了是Google内部用了多年的SLAM系统。它最初是为Google Tango和Project Ara设计的后来被广泛应用在机器人和自动驾驶领域。它和LOAM系列最大的区别是什么不用特征点直接用栅格地图做匹配。这个思路来自概率机器人学把SLAM问题转化为概率估计问题。Cartographer在Google内部经过了很多年的打磨工程实现非常成熟。面试中Cartographer和LOAM经常被拿来对比你得清楚两者的架构差异和适用场景。Cartographer的整体架构Cartographer也是前后端分离的但架构和LOAM很不一样。前端局部子图构建 分支定界匹配。把连续的激光帧构建成局部子图submap每个子图是一个小的栅格地图。新帧和当前子图做匹配用的是分支定界算法Branch and Bound不需要特征提取。前端输出的是高频的位姿估计和局部子图。后端全局优化。检测到回环后用SPASparse Pose Adjustment做全局位姿图优化。Cartographer的后端是纯图优化不像LOAM那样分前后端建图。后端的优化结果会反馈给前端更新子图的位姿。这个架构有个特点前端和后端是异步的。前端持续构建子图、做匹配后端在后台做全局优化。两者通过消息队列通信互不阻塞。这个设计让Cartographer的实时性很好不会因为后端优化而卡住前端。# Cartographer的核心流程 class Cartographer: def process(self, scan, pose): # 前端构建子图 匹配 submap.insert(scan, pose) match_result branch_and_bound_match(scan, submap) # 回环检测 if detect_loop_closure(scan, all_submaps): pose_graph.add_constraint(loop_constraint) # 后端全局优化 pose_graph.optimize() return match_result.pose子图构建与匹配Cartographer的前端核心是子图submap的概念。子图是什么把连续N帧激光数据融合成一个栅格地图就是一个子图。每个子图覆盖一小块区域比如10米x10米。当传感器移动超过一定距离就创建新的子图。子图之间是独立的各自维护自己的坐标系。全局优化负责把不同子图的坐标系对齐。子图的大小是个重要的参数。太小了子图数量多全局优化的计算量大。太大了子图内的累积误差大匹配效果差。一般根据场景大小来调室内场景10米左右比较合适。匹配怎么做新来的激光帧和当前子图做匹配用的是概率栅格匹配。每个栅格有一个占据概率值激光帧的每个点落在栅格上算似然概率。最大化所有点的似然概率之和就是最优位姿。概率栅格用的是对数几率log-odds表示法而不是直接存概率值。为什么因为概率值在0和1之间连乘容易数值下溢。对数几率把乘法变成加法数值稳定性更好。更新公式是l_new l_old log(p/(1-p))其中p是观测的占据概率。分支定界算法是Cartographer匹配的核心。它把搜索空间分成多个层级从粗到细搜索。粗层级快速排除不可能的区域细层级精确定位。这个算法的好处是不需要好的初始位姿全局搜索能力强。但代价是计算量大比特征匹配慢不少。# 分支定界匹配的核心思想 def branch_and_bound_match(scan, submap): # 粗搜索低分辨率栅格 candidates coarse_search(scan, submap.low_res) # 细搜索高分辨率栅格 for candidate in candidates: refined fine_search(scan, submap.high_res, candidate) return best_pose(refined)回环检测与全局优化Cartographer的回环检测也是基于子图的。当新子图和旧子图的重叠区域足够大时就尝试做匹配。如果匹配成功就认为检测到了回环。回环检测的关键是怎么判断两个子图有重叠。Cartographer用的是位置距离姿态距离的阈值判断。如果两个子图的位姿距离小于阈值就认为它们可能重叠尝试做分支定界匹配。这个策略简单高效但可能会漏检一些远距离的回环。全局优化用的是SPASparse Pose Adjustment本质上是位姿图优化。Cartographer用Ceres Solver做非线性优化支持多种约束类型匹配约束、IMU约束、里程计约束。Ceres Solver是Google开源的非线性优化库性能很好Cartographer的全局优化就靠它。Cartographer的全局优化是实时的每次加入新约束就增量更新。这个设计让Cartographer在大规模场景下也能保持很好的实时性。但增量更新也有缺点如果早期有位姿估计错误后面很难纠正只能靠回环检测来修正。面试追问环节面试官Cartographer和LOAM的主要区别是什么最大的区别是匹配方式。LOAM用特征点边缘点平面点做点到线、点到面匹配。Cartographer不用特征直接用栅格地图做概率匹配。LOAM的特征提取快但建图质量一般Cartographer的栅格地图建图质量好但计算量大。另外Cartographer有子图的概念LOAM没有。面试官Cartographer适合什么场景Cartographer特别适合室内场景比如办公楼、仓库、商场。它的栅格地图很适合导航和路径规划建出来的地图干净漂亮。Google最初就是在Google Tango和Project Ara上用的Cartographer都是室内场景。室外场景也能用但效果不如室内好因为室外环境特征少栅格匹配容易退化。面试官Cartographer有什么局限计算量大对硬件要求高。分支定界匹配虽然全局搜索能力强但计算量比特征匹配大很多。另外Cartographer的栅格地图是2.5D的对三维场景的表达能力有限。还有Cartographer对参数比较敏感子图大小、匹配参数都要根据场景调。在嵌入式平台上跑Cartographer比较吃力通常需要性能较好的处理器。面试官Cartographer的分支定界和ICP有什么区别ICP是迭代最近点需要好的初始位姿容易陷入局部最优。分支定界是全局搜索从粗到细不需要好的初始位姿。但分支定界的计算量大ICP在初始位姿好的情况下收敛很快。实际使用中Cartographer先用分支定界做粗匹配再用ICP做精匹配两者结合效果最好。面试官实际项目中用Cartographer要注意什么子图大小要调太小了回环检测效果差太大了计算量大。分支定界的搜索范围也要调太大会很慢太小可能漏匹配。还有Cartographer的IMU融合和LOAM系列不一样它用的是紧耦合方式IMU的标定要好。栅格分辨率也是个重要参数太高分辨率计算量大太低分辨率匹配精度差。室内场景一般用0.05米的分辨率。Cartographer和LOAM代表了激光SLAM的两种不同思路特征匹配 vs 栅格匹配。两种方案各有优劣面试中经常被拿来对比。实际项目中选哪个要看具体场景和硬件条件。Cartographer后来也支持了3D激光SLAM用3D概率栅格做匹配。但3D版本的计算量更大对硬件要求更高。Google开源的Cartographer代码质量很高文档也很完善是学习SLAM的好材料。建议跑一下官方的2D demo感受一下栅格匹配的效果。上一篇第251篇 LeGO-LOAM深度解析——轻量级地面优化激光SLAM下一篇我们聊HDL-Graph-SLAM另一个重要的激光SLAM方案。如果这篇文章对你有帮助欢迎点赞支持一下你的鼓励是我持续更新的动力