激光SLAM入门学习笔记（持续更新）
激光SLAM入门学习笔记（持续更新）
- 激光SLAM入门学习笔记（持续更新）
- 一、推荐阅读书籍
- 二、推荐公众号、知乎、博客
- 1、公众号
- 2、知乎
- 3、博客
- 三、推荐阅读论文&代码（参考泡泡机器人）
- 2D激光SLAM
- 3D激光SLAM
- 1、LOAM（经典）
- 2、A-LOAM（初学）
- 3、LeGO-LOAM（进阶）
- 4、Lio-mapping（进阶、LIO初学）
- 5、hdl_graph_slam（入门）
- 10、SC-LeGO-LOAM（应用推荐）
- 12、LIO-SAM（LiDAR、IMU、GPS耦合）
- 13、LINS（LiDAR、IMU紧耦合，快速）
激光SLAM入门学习笔记（持续更新）
一、推荐阅读书籍
- 视觉SLAM十四讲
- 概率机器人
- 机器人学中的状态估计
- 计算机视觉中的多视图几何
- 机器人感知：因子图在SLAM中的应用
- 矩阵分析/MIT老爷子的线性代数课程也可
- 点云库PCL从入门到精通
ROS：
- ROS机器人编程实践 [美] 摩根·奎格利（Morgan Quigley），布莱恩·格克（Brian，G ）著
Linux：
- 鸟哥的Linux私房菜
C++：
- C++ Primer Plus
- C++ Primer
- 侯捷C++课程，b站有
二、推荐公众号、知乎、博客
1、公众号
- 泡泡机器人：SLAM经典公众号
- 计算机视觉life：分享计算机视觉类资料
2、知乎
- 半闲居士：《视觉SLAM十四讲》作者高翔博士
- hitcm：SLAM算法工程师，专注机器人与无人驾驶
- 肖泽东Shon：腾讯计算机视觉(SLAM/VIO)算法工程师
- David LEE：SLAM工程师
- 游振兴：专注于机器人领域研究
- bobin：专注于机器人、无人机、视觉SLAM等领域
- 丁有爽：专注于机器人控制、SLAM、机器视觉等领域
- Hengkai Guo：专注于计算机视觉、深度学习、SLAM领域
- 无语西：专注于vSLAM研究
- Encoder：专注于机器人、机器视觉等领域
- fishmarch:专注于视觉SLAM研究
- 原野寻踪:聚焦于移动机器人的视觉SLAM
- 张珊珊:专注于语义SLAM研究
- 范帝楷:专注于SLAM研究
- 李阳阳：专注于SLAM研究
- 杨小东：专注于SLAM、移动机器人领域
3、博客
- 白巧克力亦唯心：CSDN博客专家，发布数十篇原创高质量博文，包含算法推导系列、SLAM、用ROS开发自己的机器人系列等
- 半闲居士：高翔博士博客，主要包含了SLAM数学基础、基本理论以及SLAM实践
- sylvester0510:包含OpenCV实践以及对ORB-SLAM2的详细解读等原创文章
- 勿在浮砂筑高台：包含特征比配、图像处理、机器学习等相关原创文章
- 冯兵的博客：专注于计算机视觉，主要包括三维重建和视觉定位
- hitcm：包含了SLAM开源代码的解读，ROS实践
- 李健：包含相机标定、DBoW原理介绍及应用等
- 刘富强：关于深度滤波器的原理、实现以及对极约束进行了详细介绍
- 五行缺帅:专注于计算机视觉、SLAM、深度学习等领域
- 徐尚:分享OpenCV、SLAM开源框架、ROS等学习经验
- 极品巧克力:分享SLMA数学基础、开源框架解读
- 一索哥传奇:专注于机器人、SLAM领域的研究
三、推荐阅读论文&代码（参考泡泡机器人）
2D激光SLAM
1、Gmapping
简介：
基于粒子滤波框架的激光SLAM，结合里程计和激光信息，每个粒子都携带一个地图，构建小场景地图所需的计算量较小，精度较高。可以结合《概率机器人》一起学习。
Github链接：
https://github.com/ros-perception/openslam_gmapping
https://github.com/ros-perception/slam_gmapping
相关论文：
Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard: Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters, IEEE Transactions on Robotics, Volume 23, pages 34-46, 2007.
Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard: Improving Grid-based SLAM with Rao-Blackwellized Particle Filters by Adaptive Proposals and Selective Resampling, In Proc. of the IEEE International Conference on Robotics and Automation (ICRA), 2005.
2、Hector_slam
简介：
利用优化方法进行帧间匹配的激光slam算法，不需要里程计信息，代码较短。缺点是在雷达频率不够的设备上，效果不佳。
GitHub链接：
https://github.com/tu-darmstadt-ros-pkg/hector_slam
相关论文：
Kohlbrecher, Stefan , et al. “A flexible and scalable slam system with full 3d motion estimation.” 2011 IEEE International Symposium on Safety, Security, and Rescue Robotics IEEE, 2011.
3、Karto
简介：
图优化SLAM，包含回环，主要利用矩阵的稀疏化进行求解，在大范围环境下建图有优势。
Github链接：
https://github.com/ros-perception/open_karto
https://github.com/ros-perception/slam_karto
相关论文：
Olson, E. B. . “Real-time correlative scan matching.” Robotics and Automation, 2009. ICRA '09. IEEE International Conference on IEEE, 2009.
Konolige, Kurt , et al. “Efficient sparse pose adjustment for 2D mapping.” 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems IEEE, 2010.
4、Cartographer
谷歌出品，必属佳品
简介：
源自谷歌，代码优美，是非常完整的激光slam系统，包含相对鲁棒的前端，基于submap和node约束的独立的pose graph后端及各类评测工具。模块化、系统化、工程化程度很高， 封装很完善，初次学习需要一定的c++和算法基础。同时它的注释完善，各类资料与教程众多，很适合进阶学习。
Github链接：
https://github.com/cartographer-project/cartographer
相关论文：
Hess, Wolfgang , et al. “Real-Time Loop Closure in 2D LIDAR SLAM.” 2016 IEEE International Conference on Robotics and Automation (ICRA) IEEE, 2016.
3D激光SLAM
1、LOAM（经典）
经典之作，长期霸榜
简介：
长期霸榜kitti odometry门类第一，分为前端和后端，提取线面特征进行匹配定位，很好的权衡了精度和效率。虽然原版代码已经闭源，但在该算法基础上，有多个改进的代码版本。
Github链接：
loam中文注解版：https://github.com/cuitaixiang/LOAM_NOTED
相关论文：
Ji Zhang and Sanjiv Singh. “LOAM: Lidar Odometry and Mapping in Real-time.” Proceedings of Robotics: Science and Systems Conference, 2014.
2、A-LOAM（初学）
简介：
将原版LOAM代码中的旋转从欧拉角改成了Eigen库中的四元数，优化使用ceres库，极大的简化了代码的复杂性，非常适合初学者进行学习。
Github链接：
https://github.com/HKUST-Aerial-Robotics/A-LOAM
3、LeGO-LOAM（进阶）
简介：
在LOAM的基础上细化了特征提取与优化，带有回环功能。可以在低功耗嵌入式系统上实现实时姿态估计。可以作为LOAM代码的进阶学习。
Github链接：
https://github.com/RobustFieldAutonomyLab/LeGO-LOAM
相关论文：
Ye, Haoyang , Y. Chen , and M. Liu . “Tightly Coupled 3D Lidar Inertial Odometry and Mapping.” (2019).
4、Lio-mapping（进阶、LIO初学）
简介：
使用imu预积分和LOAM融合进行SLAM，紧耦合优化框架。预积分门槛较高，适合作为LIO（激光惯性里程计）的初学者学习。
Github链接：
https://github.com/hyye/lio-mapping
相关论文：
Ye, Haoyang , Y. Chen , and M. Liu . “Tightly Coupled 3D Lidar Inertial Odometry and Mapping.” (2019).
5、hdl_graph_slam（入门）
简介：（hdl还有一个定位模块）
非常简单的图优化3D激光SLAM框架，前端可以使用并行处理的ICP或者NDT，带有回环，可以融合imu、GPS和路面约束等信息。论文不推荐读了，直接看代码最好。可以作为3D激光的入门代码学习。
Github链接：
https://github.com/koide3/hdl_graph_slam
6、BLAM
简介：
仅用激光的SLAM算法，前端使用GICP，后端使用GTSAM，效果还不错，回环速度快。
Github链接：
https://github.com/erik-nelson/blam
7、SegMap
简介：
利用3D CNN语义信息的3D激光SLAM框架，在某些场景比传统SLAM更具有优势。
Github链接：
https://github.com/ethz-asl/segmap
相关论文：
R. Dubé, A. Cramariuc, D. Dugas, J. Nieto, R. Siegwart, and C. Cadena. “SegMap: 3D Segment Mapping using Data-Driven Descriptors.” Robotics: Science and Systems (RSS), 2018.
R. Dubé, MG. Gollub, H. Sommer, I. Gilitschenski, R. Siegwart, C. Cadena and , J. Nieto. “Incremental Segment-Based Localization in 3D Point Clouds.” IEEE Robotics and Automation Letters, 2018.
R. Dubé, D. Dugas, E. Stumm, J. Nieto, R. Siegwart, and C. Cadena. “SegMatch: Segment Based Place Recognition in 3D Point Clouds.” IEEE International Conference on Robotics and Automation, 2017.
8、SuMa
简介：
使用Surfel地图去实现前端里程计和闭环检测，此前Surfel地图曾被用在RGBD-SLAM中，第一次见到被用在激光SLAM中，很值得大家去了解学习。
Github链接：
https://github.com/jbehley/SuMa
相关论文：
J. Behley, C. Stachniss. Efficient Surfel-Based SLAM using 3D Laser Range Data in Urban Environments, Proc. of Robotics: Science and Systems (RSS), 2018.
9、Suma++
简介：
在SuMa基础上，利用RangeNet++过滤动态信息，提升定位建图精度。
Github链接：
https://github.com/PRBonn/semantic_suma
相关论文：
Chen, Xieyuanli & Milioto, Andres & Palazzolo, Emanuele & Giguère, Philippe & Behley, Jens & Stachniss, Cyrill. (2019). SuMa++: Efficient LiDAR-based Semantic SLAM. 4530-4537. 10.1109/IROS40897.2019.8967704.
——————————2020.06.22 更新——————————
10、SC-LeGO-LOAM（应用推荐）
简介：
在LeGO-LOAM基础上，利用Scan Context做回环检测，改善建图回环效果。在TX2上也可运行。
Github链接：
https://github.com/irapkaist/SC-LeGO-LOAM
相关论文：
LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain
Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map
11、LeGO-LOAM-BOR
简介：
LeGO-LOAM的软件优化版本。提高代码的质量和性能，使其更具可读性，一致性，并易于理解和修改。
Github链接：
https://github.com/facontidavide/LeGO-LOAM-BOR/tree/speed_optimization
——————————2020.07.09 更新——————————
12、LIO-SAM（LiDAR、IMU、GPS耦合）
简介：
LeGO-LOAM作者新作，在LeGO-LOAM基础上，加入了LiDAR、IMU、GPS紧耦合，用gtsam库优化。在其提供的手持设备数据集上效果很好。
Github链接：
https://github.com/TixiaoShan/LIO-SAM
相关论文：
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
13、LINS（LiDAR、IMU紧耦合，快速）
简介：
Lio_mapping作者新作，用ESKF优化，比lio_mapping速度提高了一个数量级。
Github链接：
https://github.com/ChaoqinRobotics/LINS—LiDAR-inertial-SLAM
相关论文：
LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation