查看“地纹SLAM技术概述”的源代码


= 一、引言 =

== 1.1 地纹SLAM的应用领域 ==
地纹SLAM一般用于激光不良且有地面纹理的场景，比如硬化混凝土/金刚砂l/水洗石头等地面的。举例如下：

=== 1. 有大面积平库的结构件车间 ===

* 在此类场景中，由于平库面积较大且不具备反光棒安装条件，激光雷达无法观察到有效的环境轮廓。
* 地纹SLAM利用地面的纹理信息，能够稳定输出机器人位姿，无需在地面铺设二维码。

==== 2. 分期扩产能的总装车间 ====

* 主机厂的总装车间在分期建设过程中，存在大面积空地，导致激光雷达不能观测到环境轮廓。
* 地纹SLAM利用地面的纹理信息，解决了总装车间的空地及总装线大动态等问题。若环境要求限制不允许使用色带或磁导航，地纹SLAM是可靠的选择。

==== 3. 柔性装配线 ====

* 柔性装配线通常具有大动态变化和近距离遮挡，比如移动的装配工人、料箱、车队中其他AGV等，近距离的动态遮挡对激光雷达视野干扰极大，使激光SLAM难以稳定工作。
* 传统方法是磁导航技术，而地纹SLAM基于自然导航技术，无需在地面安装引导装置，更加柔性且稳定。

==== 4. 停车场 ====

* 停车场环境通常较为开阔且存在大型移动物体，不利于激光SLAM。
* 地纹SLAM配套的地纹模组可有效屏蔽环境光，能够工作在低矮的室内停车场，也可以工f作在户外停车场。

简单来说，地纹SLAM是向下看、激光SLAM是向周围看、天花板SLAM是向上看，它们是互补关系。根据应用场景，可以使用其中一项，或者结合来用。Detour的'''紧耦合'''算法能够融合多个里程计，输出可信的机器人位姿。

== 1.2 预期读者 ==
如果您从未使用过Detour，请阅读'''MDCS概述'''。在阅读本文前，我们希望您对以下主题有一定了解：

* Detour功能及其激光SLAM技术。

通过阅读本文档，我们预期您将了解：

* 理解地纹SLAM技术的原理和应用优势。
* 掌握地纹SLAM技术在各种场景中的实际应用方法。
* 评估地纹SLAM技术对现有激光SLAM系统的补充作用。

= 二、地纹SLAM技术概述 =

== 2.1 工作原理 ==
地纹SLAM（Ground Texture SLAM）是一种基于地面纹理信息，实现机器人在未知环境中定位和地图构建的技术。其工作原理可以概括为以下几个步骤：

# '''图像采集'''：地纹SLAM首先利用高清工业相机捕捉地面纹理，输出连续的视频流。这些图像包含了地面纹理的详细信息，是后续定位和建图的基础。
# '''纹理特征提取'''：地纹SLAM对采集到的图像进行预处理，计算纹理特征。它们在地纹SLAM中作为关键帧的计算依据，用于后续的位姿估计和地图构建。
# '''里程计计算'''：地纹SLAM的前端里程计部分负责计算相邻纹理图像之间的位移。通过这些位移信息，可以推算出机器人在环境中的位姿变化，即机器人的位置和方向。
# '''回环检测与位姿优化'''：地纹SLAM的后端部分包含回环检测机制。当机器人回到之前已经访问过的区域时，后端会搜索机器人的位姿附近的关键帧，并锁定配准分数最高的关键帧。这个过程用于获得更精确的位姿估计，并用于修正地纹里程计可能产生的累积误差。

== 2.2 与激光SLAM的差异和优势 ==
地纹SLAM与激光SLAM在计算架构上相似，都由前端里程计和后端回环检测组成。然而，它们在以下几个方面存在显著差异和各自的优势：

# '''算力需求'''：
#* 地纹SLAM：由于地面纹理的信息量远高于激光点云，地纹SLAM在提取特征和进行图像处理时需要更多的计算资源。Detour的专利地纹算法通过使用GPU加速计算，使得地纹SLAM能够在算力配置相对较低的嵌入式工控机上高效运行（相当于Nvidia 1030或Intel UHD730级别）。
#* 激光SLAM：通常对算力的需求较低，因为激光雷达产生的点云数据相对较少。
# '''地面需求'''：
#* 地纹SLAM：适用于具有不重复纹理的地面，如金刚砂或混凝土地面。对于无纹理的环氧地面或具有重复小纹理的瓷砖地面，地纹SLAM无法有效工作。
#* 激光SLAM：对环境材质的要求较低，可以在多种类型的表面上进行定位和建图。
# '''环境需求'''：
#* 地纹SLAM：不依赖于机器人周围的环境特征，适用于大动态和空旷场景。专利地纹模组设计能够有效屏蔽环境光，抑制地面反射，从而提高定位的准确性。
#* 激光SLAM：在具有稳定几何特征的环境中表现最佳，但在空旷或缺乏特征的区域内可能精度不佳或失效。

地纹SLAM应用注意事项：

# '''地面平整性'''：地纹SLAM使用定焦相机，因此要求行驶路面应平整，避免突出物体损坏地纹模组或使底盘偏侧，导致相机对焦模糊甚至撞坏地纹模组。
# '''鲁棒性'''：地纹SLAM具有良好的鲁棒性，能够应对地面污渍、破损等干扰。然而，地面不能有大面积的纹理改变，如重新铺设，这会影响地纹SLAM的定位精度。
# '''工作环境'''：车载工控机应具备良好的冷却措施，以防止过热降频，从而确保地纹SLAM的算力需求得到满足。

= 三、应用地纹SLAM技术 =

== 3.1 技术特点 ==

地纹SLAM作为一种基于地面纹理信息的定位和建图技术，具有以下技术特点：

# '''输出位置和角度的精度'''：
#* 地纹SLAM通过分析相邻图像帧之间的纹理特征位移来计算机器人的位姿，因此能够实现高达1mm的位置精度。
#* 角度分辨率方面，地纹SLAM受限于相机视野。一般来说，看得越远，角分辨率精度越好。与激光SLAM相比，地纹SLAM的角分辨率较低，因为它观测到的地面图像尺寸不过十几公分，而激光的观测距离一般20米起。
# '''建图方法'''：
#* 对于同时配置激光雷达和地纹模组的车型，通常采用先激光SLAM建图，后地纹SLAM建图的方法。利用激光SLAM的高角分辨率特性，修正地纹地图的角度累积误差，从而获得高精度的地图。
#* 对于仅配置地纹模组的车型，一般采用地面标线，通过遥控机器人巡线建图。这种方法操作较为繁琐，因此我们开发专门的建图车来提高纯地纹SLAM的建图效率。
# '''轨迹跟踪'''：
#* 地纹模组的相机视野决定了地纹SLAM的定位范围。可简单比喻为：地纹建图时，在地面画了一条看不见的线，定位时通过观测这条线（上的关键帧）来实现定位。
#* 相机视野相当于线宽，一般为150mm。当机器人发生脱轨（如打滑）时，会因观测不到线而（地纹）脱轨。
#* 在纯地纹SLAM实施时，为了提高定位的鲁棒性，可以建立3条平行的线，提高定位鲁棒性。搭配了激光雷达、地纹模组和IMU的建图车通过自动建图实现这种地纹轨迹，从而提高建图效率。

== 3.2 地纹SLAM的配套硬件 ==

=== 3.2.1 地纹模组 ===
[[文件:Image-20241028112839492.png|无框|587x587像素]]

'''图 3-1 地纹模组'''

地纹模组集成了4K工业相机和专利补光装置。可有效屏蔽环境光和地面反射对相机造成的干扰，使地纹SLAM能够工作在强光照和精细打磨路面上。

=== 3.2.2 车载工控机 ===
[[文件:Image-20241028113131801.png|无框|475x475像素]]

'''图 3-2 车载工控机'''

车载工控机集成了IO扩展模块和风冷装置，搭载集成Iris架构核显的Intel处理器，以及高速内存，为地纹算法提供充足算力前提下还解决DI/DO集成问题。无需用于扩展IO的PLC模组，提高了集成度，减少了车内空间占用。

=== 3.2.3 建图车 ===
[[文件:Image-20241028113447003.png|无框|545x545像素]]

'''图 3-3 建图车'''

建图车配置单线激光雷达、地纹模组和IMU，可在复杂环境下构建地纹地图。车体小巧，便于运输到施工现场开展工作。

== 3.3 定位精度和鲁棒性 ==
地纹SLAM的位置精度为1mm。角度精度与回环有关，在使用地纹地图的定位场景下，角分辨率为0.1度；在建图场景下，角分辨率因累积误差而较大，会造成地图歪斜，因此需要激光SLAM或地面标线来修正。

== 四、案例研究 ==