开（kāi）篇前试想（xiǎng）这样两个场景：

在一（yī）个相对较小的（de）地方（fāng）（如房间），让（ràng）你快速找某个东西，是不是很容（róng）易，很清楚（chǔ）自（zì）己在哪里（lǐ），要（yào）怎么拿到他。

然（rán）后（hòu），把你放到一个（gè）大场景（如商场），在不熟悉（xī）的情况下，是（shì）不是有点慌？

这两（liǎng）个（gè）场景的典型区别就在于场景的（de）大小不同，需（xū）要人处理的信息（xī）量不同。同理，机器人在初次面对的时候也（yě）会有（yǒu）点慌。但其实，只要（yào）清楚他的“地图构造”，再大的场景也不是（shì）问题。

目前（qián），虽然即（jí）时地图构建和导航技术已经日益成熟,但是（shì）大规模场景（jǐng）下较大的环境面积及复杂的场景结构给地图构建带（dài）来了较大挑战。甚至在有（yǒu）些人眼里，这是（shì）工作（zuò）量巨大的，繁琐的、构建不（bú）准（zhǔn）确的……但其实，思岚科技的技术可以轻松完成10w+㎡场景下的地（dì）图构建，边（biān）走（zǒu）边建（jiàn）图，无需预先探（tàn）明地图。

比如，这样的：

这样的：

以及（jí）这（zhè）样的：

一个典型的商用（yòng）场景特征如（rú）下：

针对大场景的地图（tú）构建，如（rú）果使用激光雷达配合SLAM算法进（jìn）行（háng）建图的话，首先需（xū）要使用较远测距半径的激光雷达传感器。目（mù）前为（wéi）了适应上述的商（shāng）用场景，行业内会使用测距半径在16米以上的激光（guāng）雷达产品，而比较（jiào）理（lǐ）想的测量半径是25米，从而保（bǎo）证（zhèng）能够（gòu）应对各类极端条件。

除了保障（zhàng）传（chuán）感器的测距（jù）半径符合环境需求外，SLAM算法还需要具备闭环检测（cè）能力。比如有些场景，长走（zǒu）廊和环路较（jiào）多，相似的场景也很多（duō），在SLAM过（guò）程（chéng）中难以形（xíng）成有效（xiào）的全局匹配（pèi）参考，从（cóng）而很容易导致局部区域（yù）累计误差（chà）无法及时清除，进而（ér）导致回环闭合问题（tí）。如下图：

| 由于（yú）环（huán）境场景大且（qiě）多为长直走廊（láng），导致SLAM建图中容（róng）易出现环路闭（bì）合失败的情况

为了解决上述问题（tí），行业内的普遍做法有两种：

1.采用粒子（zǐ）滤波的SLAM方法（fǎ）

使用多张平（píng）行存在的候选地图（tú）（粒子）同时进（jìn）行地（dì）图构建，并且时刻挑选（xuǎn）出（chū）其中概率上更（gèng）加（jiā）符合（hé）真实情况的地（dì）图（tú）作为当前结果。由于不同的粒（lì）子之间建立的（de）地图（tú）存（cún）在区别，因此从概率上看，当机器人在环境（jìng）中行走完一个环路后，众多粒子中存在（zài）闭环地图的可能性相比传（chuán）统单一建图的模式要高很多。因（yīn）此（cǐ）这种方法可以一定程（chéng）度的（de）解决闭环问题（tí）。

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

采用粒子滤波的SLAM算法因其可以（yǐ）非常有效的（de）规（guī）避（bì）因为局部噪声导致的建（jiàn）图失效问题，曾一度成为行业内激光SLAM方式（shì）的（de）主流方（fāng）案。然而，这种方式的SLAM算法（fǎ），由于系统参数和传感器（qì）观测等（děng）存在不确定性，先（xiān）天存在资源（yuán）消耗大（dà）的缺点。

以rbpf-slam为例，实际应用（yòng）中为了保证较好的鲁棒性，需要维持几十个粒子数据，每个粒子中都包（bāo）含了（le）一张（zhāng）当前正在构（gòu）建的环境地图信息。这样无疑增加了SLAM算法的内存消耗。同时（shí），每当新的传感器数据（jù）进入（rù），要对地图进（jìn）行（háng）更新（xīn）迭（dié）代时，算法需要对每个粒（lì）子数据都进行（háng）相同的匹配计算（suàn）和数据（jù）更（gèng）新，这也加重了运（yùn）算负担。进一（yī）步的，粒子（zǐ）滤波（bō）的（de）SLAM方式（shì）虽然可以大（dà）幅度改善回环闭合问题（tí），但从原理上（shàng）看它并（bìng）不能真正（zhèng）意（yì）义上解（jiě）决闭环问题。对于特殊的环境下，使（shǐ）用粒子滤波SLAM可（kě）能会将粒子（zǐ）收敛到错误的方向，导致建图失败。

| 正（zhèng）确的地图（tú）构建(左)和当（dāng）粒子滤波（bō）收敛（liǎn）失败得到的错误地（dì）图（右）

2.基于图优化的SLAM方式

基于图优化的SLAM（(Graph-SLAM)）方法，由于采（cǎi）用了全局优（yōu）化处理方法（fǎ），能够有（yǒu）效的（de）解决建（jiàn）图闭环，获（huò）得更好的建图效果，获得行业广泛关注。

| 基于图（tú）优化的SLAM框架

相比于rbpf-slam每次直（zhí）接将传感器（qì）数据更（gèng）新进入栅格地图（tú）进（jìn）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的拓扑地图信息，以及诸如（rú）临近数据（jù）和闭环（huán）点等数据（jù）。

| Graph-SLAM编（biān）码（mǎ）了（le）机器人在（zài）SLAM过程中的位姿（zī）变化拓扑地图，相关的（de）拓扑信息，如：闭环、重合数（shù）据（jù）也得到了（le）编码

而当机（jī）器人在建图中出现了新的回环后，Graph-SLAM可（kě）依赖内部的拓（tuò）扑图（tú）进行主动（dòng）式的闭环检测（cè），当（dāng）发（fā）现（xiàn）了（le）新的闭环信息后（hòu），Graph-SLAM使（shǐ）用Bundle Adjuestment(BA)等（děng）算法对原先的位姿拓扑（pū）地图进（jìn）行修正（即进行图优化），从而能有效的进行闭环后地图的修正。因（yīn）此相比与（yǔ）粒子滤波SLAM方式，Graph-SLAM可以实现（xiàn）更加可靠的环境建图。

| Graph-SLAM在检测（cè）到原（yuán）先地图（左）存在可能得闭（bì）合路径后，对（duì）拓扑图进行（háng）修正从而得（dé）到正（zhèng）确的环境建图（右（yòu））

目前，SLAMWARE已经采用（yòng）了最（zuì）新的图（tú）优化方式，配合激光雷达逐（zhú）渐在商（shāng）用复杂环境中开始使（shǐ）用。未来，面对机器人应用场景的不断拓展（zhǎn），建（jiàn）图（tú）技（jì）术必（bì）然还会（huì）遇到更多（duō）的问题，而这些（xiē），是未来思岚科（kē）技需（xū）要和行业一（yī）起，共同攻克的问题。