SLAM 让机器人知行合一 | 硬创公开课

本篇文章7440字，读完约19分钟

今年八月，雷锋。搜索“雷锋”。com“公开号”)将在深圳空之前举办一个具有全球影响力的人工智能和机器人创新大会。届时，雷锋将发布“人工智能与机器人创新企业25强”名单。目前，我们正在走访人工智能和机器人领域的相关公司，筛选最终入选的公司名单。如果您想加入我们的名单，请联系:2020@leiphone。

陈世凯:上海Slam Tec首席执行官。他于2008年毕业于上海交通大学，毕业后在微软亚洲研究院实习。后来，他在英特尔亚太R&D有限公司软件与服务事业部(ssg)担任软件工程师，并在11年后进入盛大创新研究院。然后，在机器人R&D团队的基础上，slamtec成立了。它主要提供高性能的机器人定位和导航解决方案以及消费类产品领域的相关核心传感器。主要产品包括低成本的360度激光扫描测距雷达(rplidar)、基于激光的模块化自主定位和导航解决方案(slamware)以及适用于商业环境的通用服务机器人平台(zeus)。

机器人对环境的理解和人类对环境的理解有什么区别？

机器人主要依靠地图来描述自己当前的环境信息，就像人们绘制地图一样，不同的算法和传感器采用不同的地图描述形式。

机器人描述环境地图最常见的方式是栅格地图或居住地图。这种地图看起来和人们所知道的没有什么不同。1989年，美国宇航局的阿尔贝托·埃尔夫斯首次提出这一想法，并在火星探测器上使用。它的本质是一幅位图图片，但每个“像素”代表了实际环境中障碍物的概率分布。

一般来说，当slam由能够直接测量距离数据的传感器(例如激光雷达、深度相机和超声波传感器)执行时，可以使用该地图。这种地图也可以由测距传感器、超声波(早期)和激光雷达(现在)绘制。

此外，视觉slam中使用的大多数地图都是特征点地图，它们记录了环境中特征点(或关键点)的几何空位置。这种地图看起来不如栅格地图直观。一般来说，它是由vslam算法生成的，如gps、uwb和稀疏模式相机，具有相对数据存储和计算量小的优点，这种地图在最早的slam算法中比较常见。

与第三个相比，它将更加直观，就像一个卫星地图。通过简单处理直接拼接传感器原始数据的地图，就像这张地图直接记录了房子天花板的图片。此外，还有一种相对比较抽象的地图形式——拓扑地图，它只记录环境的拓扑联系关系，而这种地图一般是通过相关算法从以前的地图中提取出来的。

当然，根据不同的算法和应用，还有许多其他机器人描述环境的地图表示。它们都是为帮助机器人解决一系列问题而设计的。一般来说，拓扑图是最接近描述世界的方式，因为它更抽象，能反映环境的高级特征。然而，这种映射通常不是由slam算法直接生成的，而是经常在相关的后续应用中使用。例如，当清扫机器人要打扫房间时，它会建立这样一个拓扑图:

事实上，其特点、优点和缺点都与具体的应用有关，但一般来说，像卫星地图这样由直接传感器(通常是图像传感器)构建的直接地图很少使用，因为它们的信息冗余最大，这对数据存储是一个很大的挑战。此外，机器人从中提取有用的数据也很麻烦。

特征点地图是另一个极端。尽管数据量很小，但它通常不能反映环境的一些必要信息，如环境中障碍物的位置。因此，这种地图只能用于定位。为了让机器人进行自主的障碍物和路径规划，它们必须依赖于其他类型的地图。因此，目前vslam实际上更多地解决了定位问题，为了实现导航，需要额外的距离传感器，如激光雷达和超声波。

网格地图，或者说居住地图，恰好是其中之一。一方面，它可以代表空之间的环境中的许多特征，这些特征可以被机器人用于路径规划；另一方面，它不直接记录传感器的原始数据，从而实现最佳的时间消耗和时间消耗。因此，它是目前机器人广泛使用的一种地图存储方法。

兰斯技术公司的slamware系统也采用了这种映射方法。

光学雷达获得空之间的点云信息后，还需要对点云数据做哪些处理工作？目前激光雷达用于slam的技术难点是什么？你是怎么做到的？

像其他雷达设备一样，激光雷达只能在某个时刻获得未知的环境信息。

这就是我们所说的点云，我们可以看到它只是我们环境的一部分。slam算法的核心过程是通过它获取地图。这个过程其实相当多，先看一个框图:

在一个完整的slam和导航系统的主要框架中，slam核心有三个步骤:第一部分称为预处理，即优化原始激光雷达数据，消除一些有问题的数据，或过滤。

然后，一个关键部分被称为匹配。也就是说，在已建立的地图上找到该局部环境的当前点云数据的对应位置。

这是icp的点云匹配算法，用于匹配。这个过程的关键是它直接影响slam地图构建的准确性。这个过程有点类似于我们的拼图游戏，也就是在组装好的图片中找到相似之处，然后决定在哪里放一个新的拼图。在猛击过程中，是这样的:

将激光雷达采集的点云(红色部分)与原始地图进行匹配和拼接。如果不执行匹配过程，构建的地图可能会一团糟。

该部分完成后，将进行地图融合。也就是说，这一轮来自激光雷达的新数据被拼接到原始地图中。最后，更新地图。

就像这个图，这个过程总是伴随着slam过程。

数据融合和简单的映射有很大的不同。因为在传感器描绘的世界中有一些错误，或者此时环境已经改变，例如，一只小猫闯入了机器人。因此，实际过程会更加复杂。在实践中，许多概率算法将被用来通过过滤进行融合。通过一个接一个地执行上述过程，我们看到的栅格地图最终被生成。

这个过程听起来并不复杂，但是很难处理好。这里有几个例子，比如叫做循环闭包的问题。如果匹配算法不够好，或者环境中有不幸的干扰，如果机器人绕着环境转圈，它会发现一条应该封闭的环形走廊是断开的。例如，普通地图应该如下所示:

如果处理不好，实际的地图将如下所示:

对于大环境的场景，必须面对循环问题。因为现实总是不完美的，即使是高精度传感器激光雷达也不可避免地会有误差。循环问题的难点在于，当开始时有一点点错误时，就不会被发现。直到机器人绕着回路转圈，随着误差的积累，人们发现回路不能再闭合，这就犯了一个很大的错误，而且一般很难回到天堂。

当然，这个问题不是无法解决的。一个好的商用slam系统能否解决环路问题是判断该系统优劣的一个指标。

这里的第一个困难是在算法层面。事实上，有许多这样的坑，如走廊问题。除了算法困难，还有其他困难。slam应该做得很好，不仅仅是因为算法有多好，尤其是现在许多开源实现代表了学术界。在实际应用中有许多角点情况需要处理，需要传感器、系统参数和其他辅助设备的联合优化。

一般来说，上述slam过程消耗大量计算。虽然它没有达到训练神经网络使用服务器集群的水平，但它传统上需要个人计算机级的处理器。

此外，除了配备激光雷达外，机器人还需要配备惯性测量单元和里程表，为激光雷达提供辅助数据。否则，slam系统很难运行。一般来说，slam算法本身是一种对外部系统具有多重依赖性的算法。这是一个实际的工程问题。我们知道很多机器人，比如清洁工，不能安装电脑。因此，为了使slam在这种设备上运行，除了解决激光雷达的成本问题外，slam算法还需要进行优化。

在获得空的有效信息后，清扫机器人如何实现路径规划？有哪些方法，它们的优缺点是什么？slam和路径规划之间的关系是什么？事实上，清扫车的路径规划是一个相对独立且复杂的课题，与一般机器人的路径规划没有联系，所以我们先来谈谈slam与路径规划的关系。

事实上，slam算法本身只完成机器人定位和地图构建，这并不完全等同于我们的导航定位。这里的导航不能用slam算法来完成。这在业内被称为运动规划。

运动规划是一个很大的概念，从机械臂的运动到飞机的飞行，再到扫地机的路径规划，这里我们称之为路径规划。这里我们主要讨论轮式机器人如清扫车的运动规划。

在这里，我首先介绍一个实现清扫车路径规划的基本能力。

一般来说，在slam完成后，我们需要一种叫做目标点导航的能力。路径规划，顾名思义，实际上是指这个。一般来说，就是规划一条从A点到B点的路径，然后让机器人通过。

要实现这个过程，体育规划至少要实现两个层次的模块，一个叫做全局规划。这有点像我们的驾驶导航仪，也就是说，它需要事先在地图上计划一条路线，而且还需要机器人的当前位置。这是由我们的slam系统提供的。业界通常使用一种称为a*的算法来实现这一过程。事实上，这种算法也用于许多实时策略游戏。例如，鼠标控制允许一群农民采矿，而这些单位的移动实际上在游戏中使用了一个*号。

当然，规划这条道路是不够的。在现实中，会有很多意想不到的情况，比如一个孩子挡了路。那么必须调整原始路径。当然，有时这种调整不需要重新计算全局路径，机器人可能只是绕过一个弯道。此时，我们需要另一个层次的规划模块，称为本地规划。它可能不知道机器人最终会去哪里，但它特别擅长如何绕过手边的障碍物。

两级规划模块协同工作，机器人可以实现从A点到B点的动作，但在实际工作环境中，上述配置是不够的。例如，上面提到的a*算法必须要求机器人在开始行动之前提前找到地图，这在许多情况下不够灵活。如果一个清扫机器人买了房子，它必须走完所有的房子才能扫地，用户体验会很差。

由于这个原因，这种算法将会有所改进。例如，slamware使用我们改进的d*算法进行路径规划。最大的优点是不需要预先证明地图。机器人可以像人一样行动，即使环境未知。随着机器人不断探索，路径将随时调整。

介绍了目前大多数移动机器人需要的路径规划算法。清扫机器人的路径规划算法比较复杂。一般来说，扫地机需要几个规划功能:贴边清洁、倒工字形清洁和断电时自动充电。

事实上，这些规划能力不能仅仅通过前面介绍的d*算法来实现。清扫机器人需要额外的规划算法，例如用于返回的工字形清扫，这有许多问题要处理。例如，如何在不重复清洁的情况下最有效地清洁一个区域？

此外，如何让清洁工像人一样理解房间、门和走廊的概念？当然，这里的空间是有限的，所以没有太多的扩展空间。简单地说，为了解决这些问题，学术界长期以来一直有一个特殊的研究课题，叫做空间覆盖。许多算法和理论也被提出。更著名的是莫尔斯分解。通过它，空可以被分割，然后被清洗。

就像上世纪70年代一样，cmu完全依靠超声波来实现我们目前的清扫行为，尽管成本仍然很高。

上述从A点到B点的移动路径规划也是实现这种高层路径规划的基础。事实上，从slam到清扫机器人，要实现这些功能还有很多工作要做。我们目前的做法是规划这种清扫车的独特路径，并且它也是预先在我们的slamware中构建的，以便于使用。

激光雷达在slam中的成本和寿命主要受到批评。如何在保证精度的前提下降低激光雷达的成本？两年前，兰斯在业内推出了首款低成本激光雷达。目前，在批量销售的情况下，单个单位可以达到几百元的水平。

首先，通过压缩利润来降低成本是不可能的。当然，它不是以牺牲工艺为代价购买的。其根本原因是传统的激光雷达使用飞行时间技术本身的成本很高。我们知道飞行时间是测量光飞行时间的一种方法。为了实现这一步，需要一个皮秒精度的定时器，这对激光器和接收设备都是一个巨大的挑战。这里的挑战不仅仅是技术上的困难，还有核心传感器价格昂贵并且全年都依赖进口。而且在生产中非常困难，几乎每一个雷达都需要一个非常专业的技术人员来手动校准。当然，成本仍将很高。

我们的激光雷达使用另一种方法，这就是所谓的三角测距。一般来说，通过光学的几何特性，利用计算机视觉来计算距离。这种方法的优点是只需要传统相机的成像设备。因此，成本自然会降低。

当然，就像这个问题一样，有一个前提，那就是在保证精度的前提下实现低成本。关于激光雷达的精度或性能有几个考虑因素。首先是测量精度。业内也有很多声音，而反射三角测距雷达有一个很大的伤害，那就是远距离精度下降。

这是一个不争的事实，但这正是我们的优势。事实上，有了好的算法，这个问题可以在一定程度上得到缓解。例如，下图显示了常规三角测距雷达在测量3-4米以外的物体时的效果，会发现墙壁应该是直的，测量时会出现锯齿。

随着距离的增加，如果算法没有优化，这种现象会非常严重，这将直接影响后续的slam算法。

在这个过程中，我们对内部算法做了大量的优化，可以很好的改善这个问题:

此外，三角测距雷达和tof雷达在扫描频率上还有另一个区别。我们的第一代rplidar a1的旋转频率为每秒5圈，测距频率为每秒2000次。这个参数实际上对于清洁工这样的场合已经足够了。然而，对于像服务机器人这样的应用来说，速度似乎很慢。

为了提高速度，仅仅提高电机速度是不够的，这将使点更加稀疏。本质是在一秒钟内增加测距频率。这也将对算法优化和光学系统提出挑战。目前，我们的新一代rplidar a2已实现了4000倍的采样速率，从而实现了10hz的扫描速度。事实上，本质也取决于算法。

一般来说，从目前的实际情况来看，采样率需要达到1800sps，因此要解决这个问题，我们只需依靠算法创新来保证低成本的同时保持精度。

激光雷达有生命问题吗？解决方案是什么？

事实上，这个问题应该在适用的背景下讨论。现在，借款人认为机械激光雷达存在寿命问题，不如固体雷达，这实际上是一种误解。

目前，行业中的高端和低端激光雷达都是机械式的，很多都是负责关键工业领域的安全防护，所以它们不存在生命问题。相比之下，固态雷达至今仍是一个概念性产品。虽然它是实心的，但是它的过程稳定性需要验证，所以它比机器的寿命更长是值得讨论的。

然而，针对目前的机械式激光雷达，存在一个寿命限制因素，即许多激光雷达将使用导电滑环。包括我们的第一代雷达。

该组件用于实现两个旋转物体之间的信号和电源传输。我们知道雷达工作时应该连续旋转。为了给这个旋转部件供电和通信，它依靠滑环。

然而，标准导电滑环的使用寿命很短，只有几千小时。也就是说，如果雷达直接使用一个标准滑环，它将在工作几周后失效。因为滑环会磨损，所以不可能给雷达供电和通信。生活会有问题。

当我们开发rplidar时，我们实际上使用了定制的滑环。当时，我们直接提出设计方案供供应商定制。我刚往返了几次。因此，目前，在诸如扫地机等场合中，rplidar a1的实际寿命没有问题。

但是如果使用服务机器人，就会有问题。因为这个场景要求机器人7*24袖手旁观。为了解决这个问题，我们后来提出了光磁融合技术。

这个名字是我们专门获得的，是一项专利技术。其核心是用无线供电和光通信来代替导电滑环。对于rplidar a2，我们仍然使用自己的无刷电机。如果我们这样做，我们的雷达在7*24连续工作的条件下将有超过5年的使用寿命。

现在，事实上，我们的第一代雷达也使用了光磁融合技术，所以我认为我们的雷达已经完全解决了这个生命问题。

如何看待激光雷达产品的安全性？

就激光而言，我认为如果使用不当会有安全问题。毕竟，他只是一个光源，如果我们盯着太阳，我们也会灼伤眼睛。关键是如何使用它。

但是对于激光雷达，我认为激光引起的安全问题不存在，也不应该存在。因为是合格的激光雷达产品，所以必须通过激光等级认证。像我们这样的Rplidar设计用于动态检测激光功率以确保安全。

目前，行业对激光器有严格的安全等级指标，rplidar目前达到一级激光等级。这个水平意味着激光雷达产生的激光在任何情况下都不会对人眼造成伤害。为了满足I类，平均激光功率只有几微瓦。这是一个非常微弱的信号，所以不会引起问题。

相比之下，我们日常生活中使用的led手电筒的功率和危害远远大于激光雷达。目前，led没有严格的安全标准。事实上，许多产品的光功率都超过了标准。

除了将激光雷达技术应用于机器人(包括无人驾驶车辆)之外，它还能应用于哪些领域？

事实上，激光雷达的诞生不仅仅是为了机器人，也是因为机器人和无人驾驶交通工具。传统上，激光雷达被用于工业安全检测领域，就像科幻电影中的激光墙，当人们进入时会发出警报，激光雷达被用于许多行业。

此外，激光雷达还广泛用于空.之间的测绘例如，使用我们的rplidar构建的办公环境:

也有一些新媒体行业，无法用传统的阻性电容屏制作超大型多点触摸屏，行业内普遍采用激光雷达。

国内外激光雷达技术的主要区别是什么？为什么？目前，高端激光雷达只有国外制造商。在家里，我们开始做低成本的激光雷达。不同之处在于定位不同，国外更注重高性能和工业级雷达。这主要是历史积累造成的，与工业发展的背景有关。对于高性能雷达来说，需要更长的研发经验和更实用的产品测试。这是我们目前国内所缺乏的。

然而，目前，服务机器人行业实际上是激光雷达的好机会。我认为，如果中国能够抓住这个机会，在某些分支领域仍有希望超过外国同行。

下面是努力工作的开放类小组的一个问题和答案:问:现在slam可以用于清扫机器人，许多移动机器人公司对slam持乐观态度，但他们没有听说过任何公司真正制造更成熟的视觉导航系统。原因是什么？

答:vslam仍处于研究阶段。我们说它受欢迎是因为vslam在学术界处于高速发展阶段，每个人都愿意研究它。然而，在实际应用中还有许多问题需要克服，如传感器对环境光的依赖性、计算负载与嵌入式设备成本空.之间的矛盾等此外，地图本身很难直接用于路径规划和导航。

事实上，我们一直致力于这个视觉项目。2009年，我们是第一个做愿景的人。那一年，我们做了monoslam和立体摄像机。但目前的判断是，这是未来的方向，但目前还不成熟。

问:你对未来服务机器人的实用功能有什么建议吗？

答:我们认为我们需要首先找到杀手级应用。清扫机器人是一个点，但应该有更多的爆炸点。

就像过去的个人电脑行业一样，在真正的个人电脑技术被使用之前，最早流行的是商业制表软件和家庭游戏。我们认为服务机器人应该先有这样一个阶段。我们现在能做的就是为每个人做好导航和定位工作，帮助这些爆炸点出现。

问:目前，有许多开源slam算法。你推荐哪一个？

答:正如我之前所说的，导航和大满贯是两码事，没有必要经历大满贯。事实上，许多机器人只运行蒙特卡洛方法进行定位，而没有slam。

哪一个实际上很难推荐取决于具体的应用。简单地说，我们认为开源算法目前不可能直接商业化，还有很多实际问题没有解决。因为这些算法都是在学术界诞生的，它们不会处理具体的工程问题。然而，如果我们做研究，在ros的主流gmapping和hector slam可以用来玩。

[推广]云计算市场改变者鸟云全系列产品0元/半年免费收集