煜禾森|自动驾驶分享：Cartographer算法

目前国内有27万家石油石化企业，需要进行数字化巡检作业改革。

面对高温、高热、有毒有害气体等复杂环境，防爆化工移动机器人可智能化设定巡检路线、绕开障碍物，对厂区进行更大范围、更深入的巡检工作。

有效降低作业强度。未来防爆化工移动机器人市场预期达到数千亿市场规模。

在行业应用中移动机器人多种建图算法说明-Cartographer

1.Cartographer原理分析

基于优化方法的激光SLAM已经不是一个新研究领域了，谷歌的Cartographer算法主要是在提高建图精度和提高后端优化效率方面做了创新。

当然Cartographer算法在工程应用上的创新也很有价值，Cartographer算法最初是为谷歌的背包设计的建图算法，谷歌的背包是一个搭载了水平单线激光雷达、垂直单线激光雷达和IMU的装置，用户只要背上背包行走就能将环境地图扫描出来。

由于背包是背在人身上的，最开始Cartographer算法是只支持激光雷达和IMU建图的，后来为了适应移动机器人的需求，将轮式里程计、GPS、环境已知信标也加入到算法，也就是说Cartographer算法是一个支持多激光雷达、IMU、轮式里程计、GPS、环境已知信标的传感器融合建图算法。

2.Cartographer局部建图算法简述

介绍Cartographer局部建图的具体过程之前，需要先了解一下Cartographer地图的组成形式。Cartographer采用局部子图（submap）来组织整个地图，其中若干个激光雷达扫描帧（scan）构成一个submap，然后所有的submap构成全局地图（submaps）不管是雷达扫描帧（scan），局部子图（submap），还是全局地图（submaps），它们之间都是通过位姿关系进行关联的。

这里只讨论2D SLAM建图，所以位姿坐标可以表示为。假设机器人初始位姿为，该位姿处雷达扫描帧为scan(1)，并利用scan(1)初始化第一个局部子图submap(1)。利用Scan-to-map matching方法计算scan(2)相应的机器人位姿，并基于位姿将scan(2)加入submap(1)。

不断执行Scan-to-map matching方法添加新得到的雷达帧，直到新出现的雷达帧完全包含在submap(1)中时，换句话说就是新雷达帧观测不到submap(1)之外的新信息时，就结束submap(1)的创建。这里假设submap(1)由scan(1)、scan(2)和scan(3)构建而成，然后重复上面的步骤构建新的局部子图submap(2)。

而所有局部子图{submap(m)}就构成了最终的全局地图submaps。

3.综合对比

Gmapping代码实现相对简洁，非常适合初学者入门学习。但是Gmapping属于基于滤波方法的SLAM系统，明显的缺点是无法构建大规模的地图，这一点已经在第前面讨论过了。

而基于优化的方法则可以构建大规模的地图，基于优化的方法实现的激光SLAM算法也有很多，比如Hector、Karto、Cartographer等。而Cartographer是其中获好评最多的算法 。

Cartographer是这几种算法中提出时间最新、开发团队来自著名的谷歌公司、代码的工程稳定性较高、少有的建图和重定位兼具的算法。