提 高 了 83.33% 和70.13%；在新松“C5”大楼周围道路及小范围停车场中，LeGO_LOAM 的位姿估计精度在平移和旋转上分别提高了 95.15%和 24.97%；A_LOAM 的位姿估计精度 在平 移和 旋转 上分 别提 高 了 86.94% 和53.94%；在新松“C5”大楼周围道路及大范围停车场中，LeGO_LOAM 的位姿估计精度在平移和旋转上分别提高了 91.79%和 81.11%；A_LOAM 的位姿估计精度 在平 移和 旋转 上分 别提 高 了 91.79% 和83.54%；在序列 05 中，LeGO_LOAM 的位姿估计精度在平移和旋转上分别提高了 18.32%和 96.06%，A_LOAM 的位姿估计精度在平移和旋转上分别提高了 24.50%和 97.09%；在序列 00 中，LeGO_LOAM的位姿 估计 精度 在平 移和 旋转 上 分 别提 高 了92.70%和 92.03%。A_LOAM 的位姿估计精度在平移和旋转上分别提高了 92.41%和 80.83%。

表 1 移动机器人返回起始位置时的相对位姿估计误差

结果表明，由于 LeGO_LOAM 具有闭环检测功能且 A_LOAM 的算法复杂度较低，因此与 LOAM 相比，LeGO_LOAM 和 A_LOAM 可以达到更小的相对位姿估计误差。

5 研究难题与思路

5.1 需进一步研究的问题

虽然三维激光 SLAM 已得到深入的研究，但在以下两方面还存在问题：
1）LOAM 及其改进算法 A_LOAM 无法实现闭环。由于 LOAM 及其改进算法 A_LOAM 是一个非常完整的系统，所以在 LOAM 及其改进算法 A_LOAM中集成闭环并不是一种简单易行的方法。未来要做的工作主要涉及通过闭环修复 LOAM 及其改进算法 A_LOAM 的运动估计漂移。
2）仅使用视觉传感器或激光传感器在 SLAM应用中都有局限性和缺点。一方面，视觉测距方法中的视觉传感器，例如深度相机，需要为每个图像计算 ORB 特性，这需要很长时间，在特征点稀少处无法正确定位，且需要适度的照明条件，如果不能充分获得不同的视觉特征则会失败。在极端情况下，特征点提取和匹配算法由于外部光线的干扰而无法追踪特征点。另一方面，由于激光雷达在连续运动期间的不同时间接收距离测量导致通过移动激光雷达的运动估计涉及点云中的运动失真，因此运动通常必须用大量变量来解决。在诸如由平面区域支配的退化场景中，扫描匹配也难以奏效。
基于激光和视觉传感器融合的 SLAM 方法能够有效利用各个传感器的优势，弥补传感器在某些特殊环境下的劣势，成为当前研究的热点之一。还有待做出更多的研究工作，进一步实现将视觉传感器与激光传感器融合并，研究融合算法，使之提高导航的精度和鲁棒性。

5.2 未来研究思路及展望

鉴于上述问题的存在，今后的研究应主要应在以下方面实现突破：
1、LOAM 及其改进算法 A_LOAM 的闭环检测方面。具体思路有两个：第一，使用 FPGA 代替 ROS功能包从激光雷达波束中心提取点的传感器中提取信号，并将其与 ANN（人工神经网络）与 GA（遗传算法）相结合，以更好地更新当前状态；第二，鉴于LOAM 及其改进算法 A_LOAM 的映射是提高 SLAM性能的关键，应在 LOAM 及其改进算法 A_LOAM 的低频高精度的环境建图模块中修改相关参数。
2、传感器融合方面，借鉴例如张吉等人提出的V_LOAM 方案[18]。针对传感器数据融合这一关键问题，采用如估计理论数据融合、分类数据融合、推理数据融合、人工智能数据融合等方法，根据所处环境合理地选择单个传感器或传感器融合数据作为关键帧构建地图[19]，这种根据环境状况合理选择传感器数据的方式能够降低数据融合的计算复杂度并且更好地适应于复杂的动态环境。
除此之外，在后续研究中，还将研究原始点云的滤波方法，以快速去除动态物体并提高抗干扰能力；同时，将应用范围扩大到地下车库场景，以解决无人驾驶车辆的自动停车问题。

6 结 束 语

对三维激光 SLAM 技术进行了探讨总结，从激光 雷 达 测 距 与 建 图 算 法 LOAM 及 其 改 进 算 法LeGO_LOAM 和 A_LOAM 的关键组成模块及其具体作用进行了深入和充分的回顾与归纳。鉴于LOAM 及其改进算法 LeGO_LOAM 和 A_LOAM 的低漂移、强实时的特性，以新松智慧产业园三期 C5厂区外围及停车场为实例，详细讨论分析了大尺度室外环境，以及公开数据集 KITTI 下的 LOAM 及其改进算法 LeGO_LOAM 和 A_LOAM 的相对位姿估计误差。实验结果表明，相对于 LOAM，LeGO_LOAM和 A_LOAM 可以达到更小的相对位姿估计误差。对于当前存在的问题及难点，也提出了详细合理的研究思路及展望。

参考文献：