結合擴展卡爾曼濾波器

在 SLAM 的典型實現中，擴展卡爾曼濾波器用于通過概率密度函數估計系統狀態。該估計包括 AMR 的位置和方向、其線速度和旋轉速度以及線加速度。過濾器以預測和校正的兩步方式進行。在第一步中，當前時間的估計狀態是根據先前的狀態和僅運動的物理定律預測的。在第二步中，來自傳感器讀數的觀察結果用于對某些估計狀態進行修正。這是來自外部傳感器（包括激光雷達）的讀數提供輸入的地方。觀察結果包括一個不確定值，過濾器試圖維持一組狀態，由均值和協方差矩陣表示，符合運動定律和提供的觀察結果。使用激光雷達距離數據進行校正步驟的兩種常見 SLAM 算法是掃描到掃描匹配和掃描到地圖匹配。

自主移動機器人 (AMR) 導航的集成方法

掃描到掃描匹配

在掃描到掃描匹配中，順序激光雷達距離數據用于估計掃描之間 AMR 的位置移動，從而產生更新和累積的 AMR 位置和姿態。該算法獨立于現有地圖，因此當地圖不存在時，例如在初始地圖創建期間，或者當當前環境由于環境變化與存儲的地圖不緊密匹配時，它會受到嚴重依賴。作為一種增量算法，掃描到掃描的匹配會受到長期漂移的影響，并且無法隨時間糾正不準確的更新。

掃描到地圖匹配

在掃描到地圖匹配中，激光雷達掃描范圍數據用于通過將讀數直接與存儲的地圖匹配來估計 AMR 的位置。這可以在純粹逐點的基礎上完成，或者采用更穩健但計算成本更高的方法將讀數與地圖中遇到的第一個對象徑向匹配。作為一種絕對算法，掃描到地圖匹配通常不會像掃描到掃描匹配的情況那樣受到漂移。但是，它會受到環境中重復引起的其他錯誤的影響，其中地圖從不同位置或方向看起來非常相似。此外，當當前環境與存儲的地圖不緊密匹配時，不正確的匹配會導致錯誤的位置不連續變化。而且，一旦它離位很遠，

克服局限——綜合方法

所有 SLAM 算法最終都基于環境的傳感器讀數。當沒有物體處于適合傳感器讀取的位置時，如倉庫中的空架子和處于該精確高度的 2D 激光雷達所見，引入 3D 激光雷達或基于 3D 立體深度相機的傳感可以大大增加本地化性能。然而，這些傳感器的成本可能更高，而且計算要求也高得多。當出現如此多的數據時，減少計算要求的一種方法是從掃描或圖像中提取特征，然后由 SLAM 算法處理這些特征，因此 SLAM 算法不會處理圖像中的每個單獨像素。

這種策略需要一個強大的算法來從掃描到掃描一致地提取特征，盡管在運動通過場景時視角、光照或反射率不同。這是一項不小的任務。此外，需要出門或在室內和室外之間行駛的應用可能會對傳感器及其處理明/暗、直射陽光等變化的能力提出額外要求。

AMR 目前使用的大多數 SLAM 實現都是基于傳感器成本和計算要求以及移動車輛中增加計算的功率要求的能力折衷。隨著越來越多的功能被集成到高端機器視覺相機中以支持它們所使用的各種應用——檢查、測量和缺陷檢測——也許基于 SLAM 的算法的需求也可以直接集成到機器視覺相機中未來。例如，這種集成可以提供特征提取和測距，從而減輕 AMR 的處理要求。

雖然這些 SLAM 算法本身都不能完全令人滿意，而且實際上可以提供相互矛盾的定位解決方案，但每種算法在不同情況下都有優勢。通過里程計、掃描到掃描匹配、掃描到地圖匹配和其他技術（如特征提取和匹配）的組合，將這些方法中的每一種方法相互結合使用可以克服缺點，提供準確和在現實世界的設置和應用程序中具有可靠的性能。