结合扩展卡尔曼滤波器

在 SLAM 的典型实现中，扩展卡尔曼滤波器用于通过概率密度函数估计系统状态。该估计包括 AMR 的位置和方向、其线速度和旋转速度以及线加速度。过滤器以预测和校正的两步方式进行。在第一步中，当前时间的估计状态是根据先前的状态和仅运动的物理定律预测的。在第二步中，来自传感器读数的观察结果用于对某些估计状态进行修正。这是来自外部传感器（包括激光雷达）的读数提供输入的地方。观察结果包括一个不确定值，过滤器试图维持一组状态，由均值和协方差矩阵表示，符合运动定律和提供的观察结果。使用激光雷达距离数据进行校正步骤的两种常见 SLAM 算法是扫描到扫描匹配和扫描到地图匹配。

自主移动机器人 (AMR) 导航的集成方法

扫描到扫描匹配

在扫描到扫描匹配中，顺序激光雷达距离数据用于估计扫描之间 AMR 的位置移动，从而产生更新和累积的 AMR 位置和姿态。该算法独立于现有地图，因此当地图不存在时，例如在初始地图创建期间，或者当当前环境由于环境变化与存储的地图不紧密匹配时，它会受到严重依赖。作为一种增量算法，扫描到扫描的匹配会受到长期漂移的影响，并且无法随时间纠正不准确的更新。

扫描到地图匹配

在扫描到地图匹配中，激光雷达扫描范围数据用于通过将读数直接与存储的地图匹配来估计 AMR 的位置。这可以在纯粹逐点的基础上完成，或者采用更稳健但计算成本更高的方法将读数与地图中遇到的第一个对象径向匹配。作为一种绝对算法，扫描到地图匹配通常不会像扫描到扫描匹配的情况那样受到漂移。但是，它会受到环境中重复引起的其他错误的影响，其中地图从不同位置或方向看起来非常相似。此外，当当前环境与存储的地图不紧密匹配时，不正确的匹配会导致错误的位置不连续变化。而且，一旦它离位很远，

克服局限——综合方法

所有 SLAM 算法最终都基于环境的传感器读数。当没有物体处于适合传感器读取的位置时，如仓库中的空架子和处于该精确高度的 2D 激光雷达所见，引入 3D 激光雷达或基于 3D 立体深度相机的传感可以大大增加本地化性能。然而，这些传感器的成本可能更高，而且计算要求也高得多。当出现如此多的数据时，减少计算要求的一种方法是从扫描或图像中提取特征，然后由 SLAM 算法处理这些特征，因此 SLAM 算法不会处理图像中的每个单独像素。

这种策略需要一个强大的算法来从扫描到扫描一致地提取特征，尽管在运动通过场景时视角、光照或反射率不同。这是一项不小的任务。此外，需要出门或在室内和室外之间行驶的应用可能会对传感器及其处理明/暗、直射阳光等变化的能力提出额外要求。

AMR 目前使用的大多数 SLAM 实现都是基于传感器成本和计算要求以及移动车辆中增加计算的功率要求的能力折衷。随着越来越多的功能被集成到高端机器视觉相机中以支持它们所使用的各种应用——检查、测量和缺陷检测——也许基于 SLAM 的算法的需求也可以直接集成到机器视觉相机中未来。例如，这种集成可以提供特征提取和测距，从而减轻 AMR 的处理要求。

虽然这些 SLAM 算法本身都不能完全令人满意，而且实际上可以提供相互矛盾的定位解决方案，但每种算法在不同情况下都有优势。通过里程计、扫描到扫描匹配、扫描到地图匹配和其他技术（如特征提取和匹配）的组合，将这些方法中的每一种方法相互结合使用可以克服缺点，提供准确和在现实世界的设置和应用程序中具有可靠的性能。