激光slam基础入门笔记1——介绍篇_激光slam简介

1 SLAM的定义和分类

1.1 SLAM的定义

SLAM (simultaneous localization and mapping),也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。 SLAM最早由Smith、Self和Cheeseman于1988年提出，被认为是实现真正全自主移动机器人的关键。
SLAM过程可以描述为：机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。
（1）定位(localization)：机器人必须知道自己在环境中位置。移动机器人导航中最重要，也最难
（2）建图(mapping)：机器人必须记录环境中特征的位置（如果知道自己的位置）可以不实时
（3）SLAM：机器人在定位的同时建立环境地图。其基本原理是运用概率统计的方法，通过多特征匹配来达到定位和减少定位误差的。移动机器人中最重要的内容
移动机器人自定位与环境建模问题是紧密相关的。环境模型的准确性依赖于定位精度，而定位的实现又离不开环境模型。在未知环境中，机器人没有什么参照物，只能依靠自己并不十分准确的传感器来获取外界信息，如同一个盲人在一个陌生环境中摸索的情况。这种情况下，定位是比较困难的。有地图的定位和有定位的地图创建都是容易解决的，但无地图的定位和未解决定位的地图创建如同”鸡–蛋”问题，无从下手。已有的研究中对这类问题的解决方法可分为两类：一类利用自身携带的多种内部传感器(包括里程仪、罗盘、加速度计等)，通过多种传感信息的融合减少定位的误差，使用的融合算法多为基于卡尔曼滤波的方法。这类方法由于没有参考外部信息，在长时间的漫游后误差的积累会比较大。另一类方法在依靠内部传感器估计自身运动的同时，使用外部传感器(如激光测距仪、视觉等)感知环境，对获得的信息进行分析提取环境特征并保存，在下一步通过对环境特征的比较对自身位置进行校正。但这种方法依赖于能够取得环境特征。

1.2 SLAM解决的问题

• 机器人在环境中的位姿
• 导航过程中需要的环境地图。

Leonard和Durrant-Whyte将移动机器人完成任务定义为三个问题“Wheream I?”、“Wheream I going?”和“Howdo I getthere”，就是定位、目标识别和路径规划，为了能实现导航，移动机器人需要靠本体感受传感器和环境感知传感器来实现对本体位姿估计和外部环境位姿的定位。依据环境空间的描述方法，Desouza等将视觉导航的方法化为三类：
(1)已知地图的导航(Map-BasedNavigation)：表示地图的方法几何特征(GeometricPrimitives)、拓扑特征(TopologicalFeatures)或占据栅格(OccupancyGrids)移动机器人依据这些已知的环境地图进行导航。
(2)地图建立的导航(Map-Building-BasedNavigation)：在没有已知环境地图的情况下，移动机器人通过自身的导航运动和传感器的不断感知更新来进行导航。
(3)未知环境的导航(MaplessNavigation)：相对于上面两种方法，在实时的动态环境中无法建立明确的地图表达形式，更多的是通过传感器获得的观测信息用来识别或者跟踪环境中的物体来导航。
但是由于感知信息的不确定性，移动机器人很难实现定位的准确，因而，在未知环境中的定位成为最关键的问题
定位(Wheream I?)是实现自主能力的最基本问题，是为了确定机器人在运行环境中相对于世界坐标系的位置及其本身的位姿。

移动机器人的定位与其它领域研究课题的关系如图所示：

 1.3 SLAM的分类

1.3.1 基于传感器的分类

 1.3.2 基于后端的分类

2 激光SLAM框架

2.1 二维激光SLAM框架 

2.2 开源的激光SLAM方案

 2.2.1 基于滤波器的激光SLAM方案

 

 2.2.2 基于图优化的激光SLAM方案

2.3 图优化SLAM

       基于滤波的slam方案流行最早，但相较于后来之上的图优化slam，滤波slam逐渐占据下风，趋于淘汰，所以此篇主要以图优化slam框架作以介绍。 

 2.4 激光SLAM知识路线

2.5 2D激光SLAM介绍

 

 

 2.6 3D激光SLAM介绍

 2.7 当前激光SLAM存在的问题

 最后感谢以下以下博主的知识分享：

(2条消息) SLAM(一)基础概念_xdgs_2005的博客-CSDN博客_slamic_defi

深蓝学院曾书格——激光slam理论与实践学习