在地下环境中评估基于激光雷达的SLAM算法

摘要

在缺乏自然或光照不足的恶劣地下（SubT）环境中，自主机器人的自主导航是一个具有挑战性的任务，促进了用于姿态估计和地图制作的算法的发展。受到在这种环境中实际部署自主机器人的需求启发，本文提出了一项关于3D SLAM算法的实验性比较研究。该研究集中关注具有开源实现的最新激光雷达SLAM算法，包括i）仅激光雷达，如BLAM、LOAM、ALOAM、ISC-LOAM和hdl图形SLAM，或ii）激光雷达惯性，如LeGO-LOAM、Cartographer、LIO-mapping和LIO-SAM。对这些方法的评估是基于从波士顿动力Spot机器人收集的数据集进行的，该机器人配备了3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100，数据集是在地下隧道中的一项任务中收集的。在评估过程中，SLAM算法的姿势和3D隧道重建相互比较，以找到在姿势准确性和地图质量方面性能最可靠的方法。

引言

同时定位与地图构建（SLAM）是一个具有挑战性的任务，解决了在未知环境中进行自主机器人导航的问题。在这个过程中，机器人通过使用板载感知和惯性传感器逐渐获取环境地图，同时试图在该地图中确定自己的位置。稳健的姿态估计对于移动机器人控制是至关重要的任务。在实验室环境中，可以通过运动捕捉系统（如Vicon）来解决这个问题。但并不总是可能将其部署到机器人导航的目标区域。因此，机器人的目标之一是能够独立于基础设施进行自主导航。在室外、开阔区域中，可以使用全球定位系统（GPS）来进行姿态估计。然而，在像地下区域这样的无GPS环境中，这个解决方案将无法工作，或者需要安装额外的设备，这并不总是可行。目前，存在一些基于相机和测距传感器的SLAM算法，通常需要快速移动计算机以实现实时地图构建和姿态估计。

随着时间的推移，移动CPU的技术发展、传感器的小型化和长寿命电池使得能够在机器上运行SLAM算法，从而促进了将机器人应用带入具有挑战性的SubT环境。在这些领域，人类安全是一个关键因素，可以通过机器人来提高，机器人可以执行自主检查，通过提供环境的重建来提高人类工作者对环境的情境感知。这对于地图质量和定位精度提出了很高的要求。在光照不足的SubT环境中，视觉SLAM方法倾向于表现出较差的性能，这是不可接受的。与之相反，基于激光雷达的方法可以为姿态估计和环境地图展示提供坚实的性能。然而，由于SubT环境的特殊性质，如长时间没有特征、自相似的隧道区域、尘土飞扬的隧道和传感器限制，它们的性能可能会随时间而下降。

在本文中，我们将重点关注评估主要的3D SLAM方法，这些方法是开源的，与Robot Operating System (ROS)兼容，已成为机器人社区的最新框架。迄今为止，有几篇文章进行了基于激光雷达的SLAM算法的比较。例如，在Milijas等人（2021年）的研究中，比较了开放式室外环境中的Cartographer、LOAM和hdl图形slam。此外，Cong等人（2020年）在室外环境中对开发的SLAM方法与A-LOAM和LeGO-LOAM方法进行了评估。在Ren等人（2019年）的研究中，展示了在室内环境中对四种SLAM方法的评