雷射SLAM放棄指南1 初識雷射SLAM

slam分為三個模組，前端里程計模組，後端優化模組，以及回環檢測模組。

具體實現方法

求前一幀雷達資料到當前幀雷達資料間的位資變換，這個過程一般成為掃瞄匹配（scan-matching）過程。2d雷射slam的輸入 imu資料；里程計資料；2d雷達資料；輸出：覆蓋珊格地圖(室內環境用的最多)，機械人的軌跡 or posegraph;

目前的掃瞄匹配方法為:

scan-to-scan：雷達資料與雷達資料進行匹配

scan-to-map：雷達資料與地圖進行匹配

scan-to-submap：雷達資料與子地圖進行匹配

map-to-map：地圖與地圖進行匹配

其中：scan-to-scan (被淘汰了);scan-to-map（應用多，）;map-to-map（開源的很少見，把當前最近的n幀雷射，做乙個匹配。增加資訊量，緩解雷射雷達資訊量太少的問題。）

後端優化意義

不管是編碼器得到的里程計還是前端計算出來的里程計，都不是完全準確的。里程計存在誤差，這個誤差將隨著時間的增長而不斷增大，當形成閉環之後會產生誤差，當誤差項存在之後，才可以優化。

後端優化

通過圖結構，將機械人的各個位資以及生成的地圖資料，進行聯合優化，通過優化求解，將所有的誤差平均分散到每個機械人位資以及每個地圖資料上，當優化過程十分完美的時候，這些誤差可以減小到非常小的地步。

既然會通過後端優化來減小位資，並且通過回環檢測來對優化的方程來進行約束。

我們可以將這個約束，輸入到後端優化過程中，當做乙個新的並且十分強烈的約束，通過這個強烈的約束，當我們進行優化完成後，能夠大幅度的進行誤差的消除

幀間匹配演算法：icp(誤差點對點，因為點太多了，點匹配錯誤)；pi-icp（誤差點對線,實際使用更好）;ndt(2d很少用);csm(08年出現，目前最主流；缺點：運算大；優點：不會陷入區域性…極值中).在gitub上面搜csm ，最多的就是這個pi-icp。

9. 2d雷射slam的幀間匹配方法：pi-icp；csm（受限於精度）；梯度優化方法(hector,把乙個建模問題，解決成優化問題。對初值敏感)；state of art:csm+梯度優化(cartographer)csm做粗搜尋，梯度優化精細化；

10.回環檢測：scan-to-map;map-to-map;branch and bound &lazy decision(分值定界速度比較快),lazy decision可以優化回環問題，因為雷射資訊太少，所以回環問題。cartographer 在幾何環境相似的時候，很容易回環出錯。

3d雷射slam發展： loam純雷射，勻速運動假設，無回環(開源)。v-loam-視覺雷射融合，漂移線性性11假設，無回環。velo視覺雷射融合，無運動畸變假設，有回環。

3d與視覺融合：3d雷射雷達為視覺特徵提供深度資訊；視覺輔助雷射雷達進行運動畸變去除；視覺輔助回環檢測；視覺提供精確里程資訊。

2d雷射slam中的問題：①退化環境（走廊建圖會變短）；②地圖的動態更新（環境變了地圖要更新）；③全域性定位（用視覺解決）；④動態環境定位（）;

基於濾波器filter-based slam：沒有辦法修復累計誤差。只估計當前位姿。跟besed很像。gampping,當環境大的時候，建圖失敗的機率太高。過程 ①狀態**，②測量**，③進行測量，④資料關聯，⑤狀態更新，地圖更新。

基於濾波器filter-based slam：gampping 07年它的粒子在傳播的時候，所有粒子一視同仁，非常依賴於里程計；optimal rbpf 10年已經沒有人使用了：在多個粒子中，選乙個最優粒子的情況。

graph-based：基於圖優化的演算法。karto slam：效果很好。cartographer 16年谷歌開源，現在最好。回環檢測 map-map更好。

實際環境的問題:動態物體，環境變化，全域性定位，地面材質的變化(改變輪子半徑)，幾何結構相似環境，地面凹凸不平，建圖的操作複雜，機械人載重的改變。

雷射slam要跟視覺融合起來，視覺提供：高精度的里程資訊，資訊量豐富的視覺地圖。視覺白牆麻煩。