激光slam 理论详解(一)_激光slam原理

什么是slam 技术

  slam (Simultaneous Localization and Mapping)叫即时定位与建图，它主要的作用是让机器人在未知的环境中，完成定位（Localization)，建图(Mapping)和路径规划(Navigation)。
激光slam简要介绍

   主流的slam技术应用有两种，分别是激光slam(基于激光雷达lidar 来建图导航)和视觉slam(vslam,基于单/双目摄像头视觉建图导航)，在此主要先介绍激光slam，它有分为基于滤波的 filter-based 的SLAM，和基于图优化Graph-based的SLAM

基于滤波框架slam:     

      卡尔曼滤波  : EKF UKF  EIF  等

      粒子滤波:   PF  RBPF   FASTSAM 1.0   2.0  MCL

基于图优化框架slam:   

       Graph-slam   工具: g20

（1）基于Graph-based的代表是cartographer,karto_slam，可以修复 t 时刻之前的误差分为两部分Front-end ，和Back-end。

（2）基于(粒子滤波)PF的代表gmapping，只能估计X(t)当前时刻的位姿，不能修复之前时刻产生的误差。在大面积的情况下，就无法建图了。
slam算法实现的几个要点

1. 地图表示问题，比如dense和sparse都是它的不同表达方式，这个需要根据实际场景需求去抉择

（A）覆盖珊格地图 和点云地图

2. 信息感知问题，需要考虑如何全面的感知这个环境，RGBD摄像头FOV通常比较小，但激光雷达比较大

   (A)主要使用传感器惯性测量单元——陀螺仪（Imu）测角度,轮子编码器测里程计odom，及激光雷达

3. 数据关联问题，不同的sensor的数据类型、时间戳、坐标系表达方式各有不同，需要统一处理

4. 定位与构图问题，就是指怎么实现位姿估计和建模，这里面涉及到很多数学问题，物理模型建立，状态估计和优化

5.回环检测问题

（A）分支定界Branch and Bound&lazy Decison（延迟决策） ，代表：cartographer

（B）Scan-to-Map

6.探索问题（exploration）

7.绑架问题（kidnapping）

8.帧间匹配算法

    （A）PI-ICP

    （B）CSM(Correlation Scan Match)

    （C）梯度优化的方法：Hector—SLAM

    （D）CSM+梯度优化：cartographer
2Dslam 技术发展

（A）EKF-SLAM构建的是feature 地图，而不是grid栅格地图，所以无法用于导航，只能用于定位。

（B）gmapping是Grid版本的FastSLAM，加入了scan-match。

（C）在Optimal RBPF在gmapping上做了优化，是MRPT上的一个开源算法。