SLAM从入门到精通（SLAM落地的难点）

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】

        在所有的slam算法中，基于反光柱的激光slam和基于二维码的视觉slam是落地最彻底的两种slam方法。和磁条、色带等传统导航方式相比较，它们最大的优点就是操作简单、部署灵活，不需要进行复杂的地面施工，就可以短时间内在客户现场应用起来。

        到这里，很多人又发现了一个新的问题，实际使用的这些slam算法和我们读的论文算法，好像有很大的不同。就拿激光slam来说，大家学习的时候一般都是各种scan_to_scan、scan_to_map算法，为了提高正确性，有时候还需要加上后端优化以及环回检测，但实际应用中好像很少听说有一种算法可以覆盖所有的场景。所以，今天我们可以正好借这个机会讨论一下slam落地和slam科研之间的区别。

1、稳定是slam落地的第一要求

        不过是哪一种算法，我们都可以很容易找出它最佳的应用场景。但是，这种算法的泛化属性怎么样，是不是能够应用在各种客户的场景，这就两说了。通常，slam本身最大的难点，就是如何从扫描的传感器数据中获取特征点，基于这些特征点来进行制图和定位的工作。而这些特征点是不是稳定、可靠的，此时此刻就变得非常关键了。

        换个思路，假设自然场景中的特征点都是人工有意设计和部署的，那么是不是应用的难度一下子就降低了很多。因为相同的特征，自然界几乎是不存在的。即使有，我们也可以通过算法、特征、参数配置的方法快速地进行过滤处理，是不是有了这关键的第一步，后面的工作一下子就变得容易起来了。

2、客户场景大多数是一个多变的场景

        对于科研的同学来说，场景稳定、光照稳定，这些都是算法能够稳定运行的重要条件。但事实上，客户的场景却又是快速变化的场景。每个客户有自己的主营业务，机器人的参与只是帮助他们来降本增效的，本质上不大可能为这些机器人做太多的改变和修正。所以，对于机器人来说，它就有必要自己来适应这些复杂的客户场景。

        以机器人的lidar安装位置来说，如果安装过低，那么不可避免地它会遇到各种各样复杂的场景，人、设备、其他机器人的干扰，这些都是不可避免的。当然，安装位置如果很高，这个时候玻璃、长走廊、白色的围墙，这也会是另外一个麻烦。所以不管哪一种情况，算法上做的预设性条件在现实中并不满足。

3、软件开发成本问题

        当前slam开发，在所有的成本之中，软件成本是最大的开支。硬件的成本，一般都是公开透明的，但是软件成本、以及嵌入式功能开发、优化、调试的成本很多时候就是一个无底洞，最后结果如何很多时候还未可知。降低这种成本的方式，最好的办法就是开发通用的slam框架，大家接口一样，算法之间可以彼此替代，只需要进行参数的设置和调整，就可以切换成新的算法继续去运行和处理。

        此外，很多时候算法运行的开发板一旦确定之后，基本上算力就固定了。但是客户的需求确实千差万别，实现这些需求确有需要各种各样的算法。有的算力要求低，有的要求却很复杂，如何扩充这些算力，保证软件有足够的算力作为支撑，这也是需要好好考虑的一件事情。

4、多传感器的融合是唯一的办法

        很少有一种传感器能覆盖所有的场景。所以实际环境当中，一般都是利用多个传感器的算法，一起参与到最终数据的处理过程当中。该用里程计就用里程计，该用imu就用imu，该用lidar就用lidar，该用图像用图像，一切以机器人稳定运行、项目稳定验收作为最终的考核标准。

5、路径设计也是slam的重要环节

        slam归根到底还是一种算法，它需要有效的输入数据和合理的参数，才能产生合适的输出结果。一旦输入的数据质量不高，那就不要期望它的结果很好。而在工厂当中，现场的FAE有必要根据算法的要求、以及过往的经验，找出最合适的robot行走路径来满足这些输入数据的要求。

        路好不好、平不平整，slam扫描到的环境是不是特征明显，反光柱部署的位置是不是合理，光源是不是充足，这些都是需要好好考虑的。算法本身是固定的，但是合适的现场部署，通过参数标定和路径优化，才能最大化保持算法的可靠性和稳定性。单靠算法自己，本身除了调参，能做的工作有的时候很有限。

6、两种slam前景

        目前使用比较多的slam还是激光slam，它本身更多时候是一个工程问题。也就是说，相关的理论都是很成熟的，主要就是看怎么应用起来。而视觉slam目前为止，还是一个科学问题，如果连稳定的特征点都没有办法实现的话，那本身还有很大的应用门槛。所以，不管是哪一种办法，要想真正落地，有必要最大程度解决特征点稳定性的问题，只有解决了这些问题，才有进一步扩展和应用的可能性。