激光SLAM理论与实践(一)--激光SLAM简要介绍

疫情原因一直在家，所以把之前学习的某蓝学院的激光SLAM的教程做一个学习笔记记录一下。话不多说，直接开始！

第一章主要是是激光SLAM的基本脉络的简介，综述类的介绍，主要分为以下四部分，讲了激光SLAM的发展和应用趋势。


从另一个角度对SLAM进行的分类，静态环境和动态环境：

图优化的SLAM（重点主流）：前端后端很关键

图优化的具体例子：消除误差项

基于滤波器的SLAM方法：只在意当前的位姿，所以环境一大就会有很严重的误差。典型的就是卡尔曼滤波，经典的开源SLAM就是gmapping。

激光SLAM的主要组成：

点云匹配算法是为了匹配两帧点云数据，从而得到传感器（激光雷达或摄像头）前后的位姿差，即里程数据。ICP和PI-ICP的区别：点对点和点对线。实际使用中PI-ICP会好一些。NDT再在2d-slam中用的很少；CSM叫做相关方法，08年的一篇论文中介绍的，现在的主流方法，之前的三种都是暴力搜索。暴力搜索虽然不会陷入局部最优陷阱，但是计算量太大。

回环检测的scan-to-scan已经基本淘汰，目前比较典型的方法是scan-to-map，代表算法就是cartographer，map-to-map在开源中出现的很少，但这个概念其实在99年就提出了。

2D是室内使用场景最多的。

梯度优化方法的典型代表：Hector，把匹配问题转换为非线性最小优化，所以缺点在于对初值很敏感。CSM方法对初值不敏感但不能无限细分；所以现在最好的方法就是将这两种结合，也就是CSM+梯度优化，典型代表：cartographer；
回环检测利用分支定界可以快很多，因为修剪了不必要的子树；4~5层金字塔可以加速6倍左右。加上延时决策可以保证回环的成功率。

2DSLAM的发展：滤波到图优化的演变。
99年的跨时代的图优化SLAM论文，可以说它所提出的框架一直沿用至今（局部匹配+全局矫正+回环检测）。目前来说最好的开源激光SLAM算法就是cartographer。

数据的处理非常重要，这一点在实际应用中尤甚。很多时候算法发挥的作用有限，更好的数据可以带来更佳的效果。

• 轮式里程计的标定分为offline和online，可以理解为出厂设置和实时掉分标定。
• 激光雷达运动畸变需要校正
• 系统通信间的延迟

2D激光SLAM的研究趋势：与视觉进行融合。

3D激光SLAM只做一个简要介绍。