在行业应用中移动机器人多种建图算法说明- Gmapping

NV-AUTO 商业化导航应用

01：Gmapping 概述

Gmapping是行业应用较为广泛的2D slam导航方案，应用于物流，清扫，巡检等行业应用 。

技术架构基于RBPF（Rao-Blackwellized Particle Filters）方法，Gmapping在RBPF算法上做了部分优化与改进：改进了提议分布和选择性重采样。

02：建图效果

NV-AUTO

03：Gmapping 优缺点

优势 ：可以实时构建室内与室外中小场景地图，在构建中小场景地图所需的计算量较小且导航方案精度较高。

缺点1 ：gmapping在运行中Rbpf需要不断地进行粒子迭代和重采样(频繁的重采样），在粒子迭代的过程中（频繁采样的过程中）会出现粒子退化的问题

正确的粒子被丢弃

粒子的多样性减少（近亲）因为重采样之前会计算每个粒子的权重来进行粒子的过滤，但是由于环境相似度高或噪声原因，粒子的权重可能被颠覆，导致权重高的粒子被删除，然后把剩下未删除的粒子进行复制（导致粒子多样性的减少）。

缺点2 ：地图不能构建较大的，否则所需粒子数量会急剧增大，导致内存和计算量都很大，在进行回环闭合的时候就会发生错位（打滑）。

为了解决以上缺点gmapping提出了改进提议分布，

首先分别说明一下什么是提议分布和目标分布。

04：目标分布

根据机器人携带的所有传感器的数据能确定机器人状态置信度的最大极限。并且目标分布只需要一个粒子就可以进行位姿估计了。

那为什么要用提议分布呢？

是因为没有办法直接对目标分布建模进行采样 。同时因为粒子要覆盖里程计状态的全部空间，而这其中只有一小部分粒子是正真符合目标分布的，因此在计算权重时粒子的权重变化就会很大。

但我们只有有限的粒子来模拟状态分布，因此我们需要把权重小的粒子丢弃，让权重大的粒子复制以达到使粒子收敛到真实状态附近。所以采用提议分布方案 。

NV-AUTO

05：综合评价

标准中小型场景建图效果较为良好。

相比Hector SLAM对采集传感器频率要求低、鲁棒性高（Hector 在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）；

而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测因此计算量小于Cartographer而精度并没有差太多。所以Gmapping不能像cartographer那样构建大的地图，

虽然无法一次性生成几万平米的地图，但实际我们使用i5 8代芯片作为处理核心，建的地图可以使用拼接方案达到使用效果，在上万㎡使用也并未出现问题 。

诚邀您观看NV-AUTO