SLAM导航技术在仓储机器人中的应用是怎样的，有没有实际应用的视频和图片？

SLAM导航的崛起与发展

SLAM 全称 Simultaneous Localization and Mapping，中文名曰「同步定位与地图构建」，主要用于解决机器人在未知环境运动时的定位和地图构建问题。这更像一个概念，而不是某种算法。它本身包含许多步骤，其中的每一个步骤均可以使用不同的算法实现。

随着市场的不断走高，预计2020年，仓储机器人年销售收入有望超过300亿元，市场定位和产业升级的需求让导航定位成为刻不容缓的任务，SLAM（即时定位与地图构建）作为自主定位导航技术的重要突破口，如何顺势而为？

对仓储机器人来说，完成任务是“大脑”做的事，而导航定位的角色如同“小脑”。假如用金字塔来表示机器人技术，那么定位导航可谓构建仓储机器人的核心关键。传统的定位导航、GPS定位导航、超声波定位导航等或多或少都有缺憾。而SLAM在解决了其运算量巨大、需要PC级别处理器的瓶颈之后，开始乘势而起。

据悉，SLAM技术是机器人在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。但是，在实时定位中由于通过机器人运动估计得到的位置信息通常具有较大的误差，一般需要使用测距单元探测的周围环境信息来更正位置。

激光+SLAM是目前定位导航的主流方式

在激光测距、超声波测距以及图像测距这几种方式中，激光雷达凭借良好的指向性和高度聚焦性，使得激光雷达+SLAM技术相结合的激光SLAM将成主流定位导航方式。一套SLAM采集系统一天可采集5万平方米的室内数据，未来5年，将有500亿平方米的室内空间将以SLAM技术方式被采集，且会以更高效率满足不同应用需要。

激光+SLAM产生的高精度地图

行业革新 需要注重三大维度

要知道，SLAM算法本身是开源的，学术界的研究也持续了近20年，但是在实际应用时，由于计算量巨大，需要配置一台电脑作为处理器，成为限制SLAM算法从实验室走向民用市场最大的瓶颈，因而算法的改进至关重要。

一般SLAM可分为基于外部感知的环境特征提取、递推形式的预测和更新算法以及相应的数据相关技术三个步骤。以前，SLAM以往主流的是 A* 算法，它的路径是根据已知地图，预先规划好的，一旦机器人前往目的地的过程中遇到了新的障碍物，就只好完全停下来，等待障碍物离开或者重新规划路径了。

而现在市面上出现了D*算法，即动态启发式路径搜索算法，可以让机器人在陌生环境中行动自如，在瞬息万变的环境中游刃有余。

对于客户的诉求，行业的革新，需要侧重以下几个维度：

一是易用性，客户在使用某个技术时，不需要额外开发调试和二次开发，不仅大幅降低研发时间，还可以结合SDK进行灵活、多样的功能扩展。

二是低成本，使得处在产业初期的服务机器人使用定位导航技术亦没有成本压力，而这背后是过硬的算法支撑。

三是高精度，一些类似的方案需要客户开机之后花半小时一小时先把位置的地图定位构建起来才能用，用户体验不好，而且建图的精度不够，在一些场景下不能使用。

SLAM技术在物流仓储场景中的应用

SLAM导航技术在智能仓储领域也发挥着至关重要的作用。一个机器人也好，无人汽车也好，其中最核心，最根本的问题有四个，定位技术、 跟踪技术、 路径规划技术，还有就是控制技术。

而这四个问题中的前三个，SLAM 都扮演了最核心的功能。打个比方，若是手机离开了 wifi 和数据网络，就像无人车和机器人，离开了 SLAM 一样。

机器人企业极智嘉科技Geek+在5月份的广州物流装备展上首次发布了M100机器人配合SLAM导航的运行方式，由机器人搭载不同的功能模块以适用于仓储中的多种应用场景。

SLAM导航通过激光雷达对场景的观测，实时创建地图并修正机器人位置，无需二维码、色带、磁条等人工布设标志物，真正实现对作业环境的零改造。

另一方面，通过激光雷达对障碍物的实时检测，有效规划轨迹避开障碍物，提高人机混合场景的适用和安全性。

通过在M100机器人上搭载不同的功能模块，实现柔性辊道对接、人机交互拣货等系统，提高了机器人本体在不同场景应用中的可拓展性。

一、成熟度不同

激光 SLAM 比 VSLAM 起步早，在理论、技术和产品落地上都相对成熟。基于视觉的 SLAM 方案目前主要有两种实现路径，一种是基于 RGBD 的深度摄像机，比如 Kinect；还有一种就是基于单目、双目或者鱼眼摄像头的。

VSLAM 目前尚处于进一步研发和应用场景拓展、产品逐渐落地阶段。

二、应用场景

从应用场景来说，VSLAM 的应用场景要丰富很多。VSLAM 在室内外环境下均能开展工作，但是对光的依赖程度高，在暗处或者一些无纹理区域是无法进行工作的。而激光 SLAM 目前主要被应用在室内，用来进行地图构建和导航工作。

三、地图精度不同

激光 SLAM 在构建地图的时候，精度较高；

VSLAM，比如常见的，用的非常多的深度摄像机 Kinect，（测距范围在 3-12m 之间），地图构建精度约 3cm；所以激光 SLAM 构建的地图精度一般来说比 VSLAM 高，且能直接用于定位导航。

四、易用性不同

激光 SLAM 和基于深度相机的 VSLAM 均是通过直接获取环境中的点云数据，根据生成的点云数据，测算哪里有障碍物以及障碍物的距离。

但是基于单目、双目、鱼眼摄像机的 VSLAM 方案，则不能直接获得环境中的点云，而是形成灰色或彩色图像，需要通过不断移动自身的位置，通过提取、匹配特征点，利用三角测距的方法测算出障碍物的距离。

SLAM作为机器人领域深耕已久的方向，已经比较成熟了。从开始的EKF SLAM到现在的RTAB-MAP, ORB-SLAM, Cartographer各种SLAM算法百花齐放。SLAM的回环检测在提高机器人的定位精度上，效果非常好。

SLAM拥有实时定位和构建地图的能力，这对于自动驾驶来说非常利好，既可以定位，又可以同时构建低配版HD map， 而且还可以通过这个低配版地图进行重定位

---