文献综述
一、前言
定位、定向、测速、授时是人们惆怅千年都未能完全解决的问题，最早的时候，古人只能靠夜观天象和司南来做简单的定向。直至元代，出于对定位的需求，才华横溢的中国人发明了令人叹为观止的牵星术，用牵星板测量星星实现纬度估计。1964年美国投入使用GPS，突然就打破了大家的游戏规则。军用的P码可以达到1-2米级精度，开放给大众使用的CA码也能够实现5-10米级的精度。后来大家一方面为了突破P码封锁，另一方面为了追求更高的定位定姿精度，想出了很多十分具有创意的想法来挺升GPS的精度。利用RTK的实时相位差分技术，甚至能实现厘米的定位精度，基本上解决了室外的定位和定姿问题。但是室内这个问题就难办多了，为了实现室内的定位定姿，一大批技术不断涌现，其中，SLAM技术逐渐脱颖而出。
二、基本特性
（一）SLAM
SLAM (Simultaneous Localization and Mapping)叫同步定位与地图构建，它主要的作用是让机器人在未知的环境中，完成定位（Localization)，建图(Mapping)和路径规划(Navigation)。由于SLAM的重要学术价值和应用价值，一直以来都被认为是实现全自主移动机器人的关键技术。通俗来讲，SLAM回答了两个问题：“我在哪儿？”“我周围是什么？”，先着对应的是定位问题，后者对应的是建图问题，给出周围环境的一个描述。回答了这两个问题，其实就完成了对自身和周边环境的空间认知。有了这个基础，就可以进行路径规划去达要去的目的地，在此过程中还需要及时的检测躲避遇到的障碍物，保证运行安全。
- 激光SLAM(基于激光雷达LIDAR 来建图导航)
激光SLAM基于激光雷达返回的点云信息。有单线多线之分，角分辨率及精度也各有千秋。可靠性高、技术成熟；建图直观、精度高、不存在累计误差；地图可适用于地图规划。但是受到LIDAR探测范围限制，安装有结构要求，地图缺乏语义信息。激光SLAM是目前比较成熟的导航地位方案。
- 视觉SLAM(VSLAM,基于单/双目摄像头视觉建图导航)
主要用摄像头来实现，摄像头品种繁多，主要分为单目、双目、单目结构光、双目结构光、ToF几大类。他们的核心都是获取RGB和depth map(深度信息)。有简单的单目和双目（Zed、leapmotion）。视觉SLAM结构简单，安装的方式多元化，无传感器探测距离限制，成本低，可提取语义信息，但是环境光影响较大、暗处（无纹理区域）无法工作，运算负荷大、构建地图本身难以直接用于路径规划与导航，传感器动态性能还需提高，地图构建时会存在累计误差。视觉SLAM是未来研究的一个主流方向。
- 移动机器人实时定位与地图构建算法研究
移动机器人的SLAM系统是整个机器人导航系统的关键。构造精确详尽的地图，获得机器人精准的位姿，是进行下一-步基于已知地图导航的前提。第二章已经对机器人在SLAM的过程中用到的坐标转换、激光雷达模型建立及处理、和采用合适的地图表示模型进行分析。早期的基于激光雷达的SLAM算法以概率方法为主。近年来，随着计算机性能的提高和传感器技术的发展，基于扫描匹配和基于图优化的SLAM算法逐渐成为新的发展方向。由于基于概率学的SLAM算法在激光雷达SLAM算法中仍占重要的基础地位，在实际应用中也有很好的效果。本章首先介绍基于概率的SLAM算法，即基于扩展卡尔曼滤波器的SLAM算法和基于粒子滤波器的SLAM算法。随着传感器技术的发展，高扫描频率和高精度的激光雷达越来越多的应用在实际工程中。基于优化的SLAM方法已经成为新的趋势。基于优化的SLAM算法分为两部分，前端解决数据关联和闭环检测，基于激光雷达的SLAM前端主要是扫描匹配算法;后端优化主要解决位姿估计问题，通常采用图优化的思想解决。最后通过实验对基于粒子滤波器的FastSLAM和基于扫描匹配的Hector SLAM在实验室环境下进行建图和定位效果对比分析，并为下一步路径规划提供条件。
- 基于EKF(Extended Kalman Filter)的SLAM算法原理
卡尔曼滤波(Kalmanfilter)是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫卡尔曼。基本卡尔曼滤波器是限制在线性的假设之下。然而，大部分非平凡的的系统都是非线性系统。其中的“非线性性质”可能是伴随存在过程模型中或观测模型中，或者两者兼有之。扩展卡尔曼滤波解决了非线性非高斯应用场景的问题。扩展卡尔曼滤波目前而然是状态估计和数据融合领域的主流算法之一。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
