开篇前试（shì）想（xiǎng）这样两个（gè）场景：

在一个相对较小的地方（fāng）（如（rú）房间），让你（nǐ）快速（sù）找某（mǒu）个东西，是不是很容易，很清（qīng）楚自己（jǐ）在哪里，要怎么拿到他。

然后，把你放到一个大场（chǎng）景（如商场），在不熟悉的情况下，是不（bú）是有点慌？

这两（liǎng）个场景的典型区别就在于场景（jǐng）的大小不同（tóng），需要人处理的信（xìn）息量不（bú）同。同理，机器人（rén）在初次面对的时候也会有点（diǎn）慌。但其实，只要清楚他的“地图构造（zào）”，再大的场（chǎng）景（jǐng）也不（bú）是问题。

目（mù）前，虽（suī）然即时地（dì）图构建和导航技术已（yǐ）经日益成熟,但是大规模场景下较大（dà）的环境面积及复杂的场景结构（gòu）给地图构建带来（lái）了（le）较大挑战。甚（shèn）至在有（yǒu）些人眼里，这是工作量巨大的，繁琐的（de）、构建不准确（què）的……但其实，思岚科技的技术（shù）可以轻（qīng）松完成（chéng）10w+㎡场（chǎng）景下的地（dì）图构（gòu）建，边（biān）走（zǒu）边（biān）建图（tú），无需预先探明地图。

比如，这样的：

这样的：

以及这样的：

一个典型的商用（yòng）场景特征如下（xià）：

针（zhēn）对大场景（jǐng）的地图构建，如果使用激光雷达配合SLAM算（suàn）法进行建图的话，首先（xiān）需要使用较远测（cè）距半径（jìng）的激光雷（léi）达传感（gǎn）器。目（mù）前为了适应上述的商用（yòng）场景，行业内（nèi）会使用测距（jù）半径在16米以上的激光雷达产品，而比较理想的测量半径是25米，从而保证能够应对（duì）各类极端条件。

除了（le）保障传感器的测距（jù）半径符合（hé）环境需求外，SLAM算法还需要具备（bèi）闭环检测能力。比（bǐ）如有些场景，长走廊和环路较（jiào）多，相似的场景也很多（duō），在SLAM过程中难以形成有效的全局匹配参（cān）考，从而很容易导致局（jú）部区域累（lèi）计误差无法（fǎ）及时清除，进而导致回环闭（bì）合问题。如下图：

| 由于环境场景（jǐng）大且多为长直走廊，导致SLAM建图中容易出现（xiàn）环路闭（bì）合失败的情况

为了解（jiě）决上述问（wèn）题（tí），行业内的普遍（biàn）做法有（yǒu）两种：

1.采用粒（lì）子滤波的SLAM方法

使用多（duō）张（zhāng）平行存在的候选（xuǎn）地图（tú）（粒子）同时进（jìn）行地图构建，并且时刻挑选出其中概率上（shàng）更加符合真实情况的地图作为当前结果。由（yóu）于不同的粒子之间建（jiàn）立的地图存在区别，因此从（cóng）概率上看，当机器人在环境（jìng）中行（háng）走（zǒu）完一（yī）个环路后，众多粒子（zǐ）中存在闭环（huán）地图的可能性相比传统单一建（jiàn）图的模式要（yào）高（gāo）很多。因此这种方法可以一定（dìng）程度的解决（jué）闭环问（wèn）题。

| 采用rbpf(Rao-Blackwellized particle filters)的SLAM算（suàn）法

采用粒子滤波的SLAM算法（fǎ）因（yīn）其可以非常有（yǒu）效的规避因（yīn）为局部（bù）噪声导（dǎo）致的建图失效问题，曾一（yī）度（dù）成为行（háng）业内（nèi）激光SLAM方式的（de）主流（liú）方案。然而，这种方式的SLAM算法，由于（yú）系统参数和传感器观测等存在（zài）不确定性，先天存在资源消耗大的（de）缺点。

以（yǐ）rbpf-slam为例，实际应用中为了保证较好的鲁棒性，需要维持几十个粒子（zǐ）数据，每个粒子中都包含了一张当前（qián）正在构建的环境（jìng）地图信息。这样无（wú）疑增加了（le）SLAM算法的内存消（xiāo）耗（hào）。同时（shí），每当新（xīn）的传感器数据进入，要对地图进行更新（xīn）迭代时，算法需要对每个粒子（zǐ）数据都进（jìn）行相同的匹配计（jì）算（suàn）和数据更（gèng）新，这也加重了（le）运算（suàn）负担。进（jìn）一步（bù）的，粒子滤波的SLAM方（fāng）式（shì）虽然可以大幅度改善回环闭合问题，但从原（yuán）理上看它并不能（néng）真正意义上解决闭环问题。对于特殊（shū）的环境下，使用粒子滤波SLAM可能会将（jiāng）粒子收敛到错误的方向，导致建（jiàn）图失败。

| 正确的地（dì）图构建(左)和当（dāng）粒子滤波收（shōu）敛失（shī）败得到的错误地图（tú）（右（yòu））

2.基于图优化（huà）的（de）SLAM方式

基于图优化的SLAM（(Graph-SLAM)）方法，由（yóu）于采用了全局（jú）优化处理方法，能够有效的解决建图闭（bì）环，获（huò）得更好的建图效果，获得行业广（guǎng）泛关注。

| 基于图优化的SLAM框架

相比于rbpf-slam每（měi）次（cì）直接将传感器数据更新进入栅格（gé）地图进行构建的做（zuò）法，Graph-SLAM存储的是地（dì）图构建过程中机器人位姿变化（huà）的拓扑（pū）地图信息，以（yǐ）及（jí）诸如临近数据和闭环点等（děng）数据。

| Graph-SLAM编码了机器人（rén）在SLAM过程中的（de）位姿变化拓扑（pū）地图，相关的拓（tuò）扑（pū）信息（xī），如：闭环、重合（hé）数据（jù）也得到了编码

而当机器人在建图（tú）中出现（xiàn）了新的（de）回环后，Graph-SLAM可依赖内部的拓扑图进行主动式的（de）闭环检测（cè），当发现了新的（de）闭环信息后，Graph-SLAM使用（yòng）Bundle Adjuestment(BA)等算法（fǎ）对（duì）原先的位（wèi）姿（zī）拓扑地图进行修正（即进行（háng）图（tú）优化），从（cóng）而能有效的进行闭环后地图的修正。因此相比与粒子滤波（bō）SLAM方式（shì），Graph-SLAM可以实现更加（jiā）可靠的环境建图。

| Graph-SLAM在检测到原先地图（左（zuǒ））存在可（kě）能得闭（bì）合（hé）路（lù）径后，对拓扑图进行修正（zhèng）从（cóng）而得到正确的环境建图（右）

目前（qián），SLAMWARE已（yǐ）经（jīng）采（cǎi）用了最（zuì）新的图优（yōu）化方式，配合（hé）激光雷（léi）达逐渐在商用复杂（zá）环境中开始使用（yòng）。未来，面对机器人应用场（chǎng）景的不断（duàn）拓展（zhǎn），建图技术必然（rán）还会遇到更多的（de）问题，而这（zhè）些（xiē），是未来思岚科技需（xū）要（yào）和行业一起，共同攻克的问题。