开篇前试想（xiǎng）这样两个场（chǎng）景：

在一个相对较小的地方（如房间），让你快速找某个东西（xī），是（shì）不是很容易，很清楚自己（jǐ）在哪里，要怎（zěn）么（me）拿到他。

然后，把你放到一个（gè）大场景（jǐng）（如商场），在不熟悉的情（qíng）况下，是不是有（yǒu）点慌？

这两个场景的典型区别（bié）就在于场（chǎng）景的大小不同，需要（yào）人处理的信（xìn）息量不同。同理，机器人（rén）在（zài）初次面对的时候也会有点慌。但其实（shí），只（zhī）要清楚他的“地图构造”，再大的场景也不是问题。

目前，虽然即时地图构建（jiàn）和导航技术已经日（rì）益成熟,但是大规模场景下（xià）较大的环境（jìng）面（miàn）积及（jí）复杂的场景结构给（gěi）地图构（gòu）建带来了较大挑战。甚至在有些人眼里（lǐ），这是工作量巨（jù）大（dà）的，繁琐（suǒ）的、构建不准（zhǔn）确（què）的……但其实（shí），思岚科技的（de）技（jì）术可（kě）以轻松完（wán）成（chéng）10w+㎡场（chǎng）景下的地图构建，边走（zǒu）边（biān）建图，无需（xū）预先探明地图。

比（bǐ）如（rú），这样的：

这（zhè）样的：

以及这样的：

一个典型（xíng）的商用场景（jǐng）特征如下：

针对大场（chǎng）景的地图构建，如（rú）果使用激光雷达配合SLAM算法进行建（jiàn）图（tú）的话，首（shǒu）先（xiān）需要（yào）使用较（jiào）远测距半（bàn）径（jìng）的（de）激光雷达传感（gǎn）器。目前为了适应上述的商用场景，行（háng）业（yè）内（nèi）会使用测距半径在16米以上的激光雷达产（chǎn）品，而比较理想的（de）测量半（bàn）径是25米，从而保证能够（gòu）应对各类极端条件（jiàn）。

除了保障（zhàng）传感器的测距半径符合环（huán）境需求外，SLAM算法还需要具备闭环检测能力。比如有（yǒu）些场景，长走（zǒu）廊（láng）和环路较（jiào）多，相似的场（chǎng）景（jǐng）也很多，在（zài）SLAM过程中（zhōng）难以形成有效（xiào）的全局匹配参考，从（cóng）而很（hěn）容易（yì）导致（zhì）局部区域（yù）累（lèi）计误（wù）差无法及时清除（chú），进（jìn）而导致（zhì）回环闭合（hé）问题。如下图：

| 由于环（huán）境场景大且多为长直（zhí）走廊，导致（zhì）SLAM建图（tú）中（zhōng）容易（yì）出现环路闭合失败（bài）的情（qíng）况

为了解决上述（shù）问题，行业内的普（pǔ）遍（biàn）做法有（yǒu）两种：

1.采用（yòng）粒子滤波的（de）SLAM方法（fǎ）

使用多张平行存在的候选地图（粒子）同时进（jìn）行地图构建，并（bìng）且时刻挑（tiāo）选出其中概（gài）率上更加符合真实（shí）情况（kuàng）的地图作为当前结（jié）果。由于不同的粒子（zǐ）之（zhī）间（jiān）建立的地图存（cún）在区别，因此从概率上（shàng）看，当机器人在环境中行走完一个环路后（hòu），众多粒子中存在闭环地图（tú）的可能性相比传统单一建图的模式（shì）要高很多（duō）。因此这种方法可以一定程度的解决闭环（huán）问题。

| 采用（yòng）rbpf(Rao-Blackwellized particle filters)的（de）SLAM算法

采用粒子滤波的SLAM算法因其可（kě）以非常（cháng）有效的规避因为局部噪（zào）声导（dǎo）致的建（jiàn）图失效问题（tí），曾一（yī）度成为行业内激光SLAM方式（shì）的主流方案。然而（ér），这种方（fāng）式的SLAM算法（fǎ），由于系统参数和传感器（qì）观测等存在（zài）不确定性（xìng），先天存在（zài）资源消耗大的缺点。

以rbpf-slam为例，实际应用中为（wéi）了（le）保证较好的鲁棒性，需要维（wéi）持几十个粒子数据（jù），每个粒（lì）子中都（dōu）包（bāo）含（hán）了一张（zhāng）当前正在构建的环境地图信息。这样（yàng）无疑增加了SLAM算法的内存（cún）消耗。同时（shí），每当新的传感器数据进入（rù），要对地图进行更新（xīn）迭代时，算法需（xū）要对（duì）每个粒子数据都进行相同（tóng）的（de）匹配计算和数（shù）据（jù）更新，这也加重了（le）运算负担。进（jìn）一步（bù）的，粒子滤波的SLAM方式虽然可以（yǐ）大幅（fú）度改善回（huí）环（huán）闭合（hé）问题，但从原（yuán）理上看它并不能真正意义（yì）上解（jiě）决闭（bì）环问题。对于特殊（shū）的环境下，使用（yòng）粒子滤波SLAM可能（néng）会将粒（lì）子收（shōu）敛到错误的方（fāng）向，导致（zhì）建（jiàn）图失败。

| 正确的（de）地图构（gòu）建(左)和（hé）当（dāng）粒子滤波收敛失（shī）败得到的错误（wù）地图（右）

2.基（jī）于图（tú）优化的SLAM方式

基于图优（yōu）化的SLAM（(Graph-SLAM)）方法（fǎ），由（yóu）于采用了（le）全局优化处理方法，能（néng）够有效的解决建图闭环，获得更（gèng）好的建图效果，获得行业广泛关注。

| 基于图优化的SLAM框（kuàng）架

相比（bǐ）于rbpf-slam每次直接（jiē）将传感（gǎn）器（qì）数据更新进（jìn）入栅格地图进行构建（jiàn）的做法，Graph-SLAM存储的是（shì）地图（tú）构建（jiàn）过程中机器人位姿变化的拓扑地图信息，以及诸（zhū）如临近数据（jù）和闭（bì）环点等（děng）数据。

| Graph-SLAM编码了（le）机器人在SLAM过（guò）程中的位姿变化拓扑地（dì）图，相关的（de）拓扑信息，如：闭（bì）环、重（chóng）合数据也得到（dào）了编码

而当机器人（rén）在建图中出现了新的回环后，Graph-SLAM可依赖内部（bù）的拓（tuò）扑图进行主动（dòng）式的闭环检测，当发（fā）现（xiàn）了新的（de）闭环信息后，Graph-SLAM使用Bundle Adjuestment(BA)等算法（fǎ）对原先的位（wèi）姿（zī）拓扑地图进行修（xiū）正（即进行图优化），从而能有效的进行（háng）闭环后地图的修（xiū）正。因此（cǐ）相（xiàng）比与粒子滤波SLAM方（fāng）式（shì），Graph-SLAM可（kě）以实现更（gèng）加可靠的环境建图。

| Graph-SLAM在检测到原先地图（左）存在可能（néng）得闭合路径后，对拓（tuò）扑（pū）图进行修正从而（ér）得到正确的环境建图（右（yòu））

目前，SLAMWARE已（yǐ）经采用了最新的图优化方式，配合（hé）激（jī）光（guāng）雷达逐渐在商用复杂（zá）环境中（zhōng）开（kāi）始使用。未来，面对机器（qì）人应用场景的不断拓展，建图技术必然还会遇到更多（duō）的问题，而这（zhè）些，是未来（lái）思岚科技需（xū）要和行（háng）业（yè）一起（qǐ），共同攻克的问题。