2025《基于SLAM的GV路径规划算法研究国内外文献综述》4000字.docxVIP

PAGE

PAGE31

基于SLAM的GV路径规划算法研究国内外文献综述

1.1.SLAM现状

SLAM最早由Smith、Self和Cheeseman于1988年提出REF_Re\r\h[3]，基于激光雷达的SLAM技术无需提前布置场景，并且可以融合多种传感器，相对精准的估计移动机器人的位姿获得较准确的地图。由于上述的优势，SLAM成为自主导航不可或缺的技术，被广泛应用在室内外导航、无人驾驶、增强现实等方面REF_Re\r\h[4]。

常见激光SLAM方案也是基于滤波器算法或者基于图优化算法的。Gmapping基于滤波框架，在Rao－Blackwellised粒子滤波器(Rao-BlackwellizedParticleFilter，RBPF)的基础上进行改进。为了更接近目标分布减少粒子数目，融合了里程计信息与观测信息；设定了重采样阈值，防止粒子退化。其优点是相对的鲁棒性要高，对激光雷达的频率要求比较低。在构建小地图时候，计算量相对来说要小，并且精度上也没有相对Cartographer差很多。但其缺点比较明显，在构建大型地图的时候，需要更多的粒子，这也意味着计算机的内存有可能会不够；同时由于缺少闭环检测，有可能造成地图的错位，细节上处理的不尽人意。

Cartographers是一种基于图优化框架的SLAM算法。基于ceres非线性优化，并且该算法具有很好的代码规格性和工程性。以submap子图为基本的建图单元来建设全局地图，加入闭环检测，闭环检测考虑所有已创建的submap子图利用scanmatch策略进行位姿优化，从而消除累计误差。Cartographer比较适合于大型地图的构建，构建大型地图时，其计算量相对较少，累计误差最小，可以构建出非常精准的地图。

如今的SLAM还在不断的发展，具体体现在三个方面：

（1）SLAM与深度学习的结合，比如Nicolai等人将前端匹配和深度学习结合，利用CNN网络训练得到每一帧数据的位姿关系REF_Re\r\h[12]。

（2）多种传感器融合是必然趋势，激光雷达数据可以与深度照相机以及里程计等传感器数据融合来应对复杂的环境

（3）提升SLAM算法的鲁棒性和实时性以及长期适用性

1.2.路径规划算法现状

路径规划对于研究自动导航意义重大，其定义是根据给定的地图和目标点位置，感知环境中不可通过的区域，规划一条从起到到终点躲避所有障碍的最佳路线。近年在各个领域都有广泛的应用，比如室内服务机器人的导航、无人机路径规划、仓储车调度算法等。路径规划算法有很多种，大致上可以分为三种：全局路径规划算法、局部轨迹规划算法、启发性的智能规划算法。如REF_Re\h图1-2

图1-SEQ图1-\*ARABIC2路径规划算法分类

1.2.1.全局路径规划现状

（1）基于图搜索算法主要包括Dijskra，A*

基于图搜索也就是基于栅格图搜索，栅格图的思想是将工作空间分解成多个抽象单元，每个处于可行空间内的栅格点用数字“0”表示，每个处于不可行空间的栅格点用“1”表示，通过搜索整个网格，得到从起始网格到目标网格的最短路径。该方法的效果与栅格的大小有关，栅格较小，则环境会十分的清晰，但由于计算量的增加，使规划速度变慢。如若栅格过大，虽然会提高规划速度，但会使环境信息的划分变得不那么清楚，使路径规划的准确度下降。综上所述，选取网格点大小应该平衡栅格地图的分辨率和路径规划的速度。

Dijskra算法是一种典型的广度优先搜索算法，特点是从目标点为中心逐层扩散，直到追踪目标点，这种方式选择出的路径一定是最短的，但其搜索漫无目的，效率很低。其流程是：从起始点开始，它每次都会遍历最近且未访问的顶点的相邻节点，直到它延伸到终点REF_Re\r\h[13]。

A*（A-stars）算法是Hart等人在1980年提出的REF_Re\r\h[14]，国内外有很多的改进方法，例如，王卫红等人通过删去冗余节点使A*算法规划的轨迹更加平滑REF_Re\n\h[15]；基于上述平滑A*算法，王殿军在拐点处调整位置和姿态REF_Re\r\h[16]；王小红将八邻域改成二十四邻域，可以实现小角度转动，使轨迹更加平滑REF_Re\r\h[17]。

（2）基于采样的路径规划括RRT和PRM算法

快速随机扩展树算法（Rapidly-ExploringRandomTree，RRT）搜索能力强，不需要对搜索空间进行栅格化，适合高维环境