同时定位与地图构建（Simultaneous Localization and Mapping, SLAM）技术自Smith（1986）提出以来，经过三十五年的发展，已取得众多优秀的研究成果。它所关注的问题是载有传感器的机器人如何在未知环境中定位并构建出环境地图，是机器人感知自身状态和外部环境的关键技术，在现实生活中实现了大规模的应用，如虚拟现实、增强现实、混合现实、自动驾驶、服务机器人等，且在向工业界稳定过渡。 SLAM的发展经历了三个阶段：第一阶段为早年的“经典”时期，主要完成了SLAM的概率解释，如基于扩展卡尔曼滤波器、粒子滤波器和极大似然估计的方法；第二阶段为“算法分析”时期，主要研究SLAM的基本性质，如收敛性、一致性、可观测性和稀疏性；第三阶段为当前的“鲁棒感知”时期，主要解决复杂环境下的适应性问题。面对日趋复杂的应用场景，设计SLAM算法应统筹兼顾，有针对性地对算力、精度、鲁棒性等进行取舍。
成为VIP会员查看完整内容
多源融合SLAM的现状与挑战
相关内容
In robotic mapping,
simultaneous localization and mapping (SLAM) is the computational problem of constructing or updating a map of an unknown environment while simultaneously keeping track of an agent's location within it. Popular approximate solution methods include the particle filter and extended Kalman filter.
Arxiv
1+阅读 · 2022年4月15日
相关VIP内容
相关资讯
相关论文
Arxiv
1+阅读 · 2022年4月15日
微信扫码咨询专知VIP会员