车辆定位的粒子滤波 SLAM
内容提要
该文综述了SLAM研究进展，涵盖基于LiDAR的畸变补偿与姿态优化、算法选择配置工具、语义辅助建图定位、单目SLAM与目标检测结合、多粒子卡尔曼滤波定位、去中心化视觉SLAM、可微分SLAM网络导航，以及动态环境下多模态融合与动态物体建模等方向。
延伸解读
SLAM技术演进：从几何到语义与学习
文章梳理的SLAM研究进展显示，该领域正从传统几何方法向语义辅助、深度学习融合方向演进。例如，基于LiDAR的语义建图利用神经网络提取语义信息，提升运动物体滤波和扫描匹配性能；单目SLAM嵌入目标检测器，将物体表示为四面体以细化重建。这些趋势表明，SLAM系统正变得更具环境理解能力，而不仅是几何重建。
多模态融合提升动态环境鲁棒性
针对动态复杂环境，文章提到基于LiDAR和单目视觉的紧耦合几何特征融合框架，以及可识别动态物体的SLAM算法。后者利用语义分割估算刚性运动物体的轨迹和速度，并生成静态与动态结构地图。多模态融合和动态物体建模成为提高定位与建图鲁棒性的关键手段，尤其在自主驾驶和机器人导航中。
算法选择与计算效率的平衡
文章指出，SLAM应用需在性能和计算成本间取得平衡。例如，基于LiDAR的通用解决方案采用非迭代两阶段畸变补偿和迭代姿态优化，在自主驾驶和仓库AGV中表现良好。同时，有研究提供工具和方法支持应用专家选择和配置算法及硬件编译路径，并自动化探索设计空间。这反映了SLAM落地时对效率和易用性的实际需求。
Q&A
粒子滤波SLAM在车辆定位中有什么优势？
粒子滤波SLAM能处理非线性非高斯系统，适合车辆在复杂环境下的定位。文章提到多粒子卡尔曼滤波器结合了卡尔曼滤波和粒子滤波的优点，在对称和嘈杂环境中性能优于单纯的粒子滤波器。
LiDAR SLAM如何实现畸变补偿和姿态优化？
文章提出了一种非迭代两阶段畸变补偿方法，并采用两个匹配模块，考虑局部光滑性进行迭代姿态优化，在自主驾驶和仓库自动引导车定位上表现良好，平衡了性能和计算成本。
语义信息如何辅助SLAM建图和定位？
文章提出基于三维激光雷达测距扫描和神经网络提取语义信息，实现运动物体滤波和语义约束下的扫描匹配，性能优于几何约束方法。另一研究在单目SLAM中嵌入目标检测器，将物体表示为四面体，提高定位性能和语义地图丰富度。
去中心化视觉SLAM系统有什么特点？
文章提出一种去中心化视觉SLAM系统，基于数据关联和共同优化，只需传输少量数据，具有线性扩展性和高度压缩的地点表示，并使用先进的去中心化姿态图优化方法。
可微分SLAM网络如何用于机器人导航？
通过Differentiable SLAM Network（SLAM-net）和导航架构，实现以前未见过的室内环境的平面机器人导航。SLAM-net编码了可微分粒子滤波器算法，通过SLAM算法反向传播学习基于任务的神经网络组件。
动态环境下SLAM如何融合多模态并建模动态物体？
文章提出基于LiDAR和单目视觉SLAM的紧耦合几何特征融合框架，姿态估计更精确健壮。另一算法使用语义分割估算刚性运动物体的运动轨迹和速度，生成静态和动态结构的地图，在多个数据集上性能良好。
