一起自学SLAM算法：第8章-激光SLAM系统

连载文章，长期更新，欢迎关注：

上一章系统地介绍了SLAM的数学理论，从本章开始学习重心将转移到实际项目代码上。这一章将介绍3种流行的激光SLAM算法，即机器人主要通过激光雷达感知环境信息。首先介绍ROS中最经典的基于粒子滤波的Gmapping算法；基于滤波方法的SLAM系统明显的缺点是无法构建大规模的地图，而基于优化的方法可以解决这个问题，这里介绍时下非常流行的基于优化的Cartographer算法；不管是Gmapping还是Cartographer，通常都是采用单线激光雷达做为输入并且只能在室内环境运行，在室外环境需要用多线激光雷达，这里介绍一种基于多线激光雷达的LOAM算法。

---

8.1 Gmapping算法

        8.1.1 Gmapping原理分析

        8.1.2 Gmapping源码解读

        8.1.3 Gmapping安装与运行

8.2 Cartographer算法

        8.2.1 Cartographer原理分析

        8.2.2 Cartographer源码解读

        8.2.3 Cartographer安装与运行

8.3 LOAM算法

        8.3.1 LOAM原理分析

        8.3.2 LOAM源码解读

        8.3.3 LOAM安装与运行

---

本章介绍了3种流行的激光SLAM算法，分别为Gmapping、Cartographer和LOAM。Gmapping是ROS中最经典的基于粒子滤波的算法，缺点是无法构建大规模的地图。而Cartographer是时下非常流行的基于优化的算法，可以构建大规模的地图，并且Cartographer算法在工程应用上的价值非常高。不管是Gmapping还是Cartographer，都只能在室内环境构建2D地图，LOAM是一种用在室外环境的激光SLAM算法，该算法利用多线激光雷达，能构建出3D点云地图。

激光雷达数据虽然稳定，但由于成本高昂、数据信息量低、雨天烟雾等环境容易失效等问题的存在，大量研究者转向了视觉SLAM研究领域，下一章将介绍视觉SLAM领域中的几种典型算法。

参考文献

【1】 张虎，机器人SLAM导航核心技术与实战[M]. 机械工业出版社，2022.