激光SLAM学习之路（一、前言）

一、前言

        SLAM(Simultaneous Localization and Mapping) 同步定位与地图构建是本人在大二下学期在导师指导下开始接触，一直没有进行系统的梳理和学习，在课外时间跟老师学习中搭建了基于激光雷达的一台智能车，由于各种原因一直没有真正的完成，闲话不多说，开始正式的学习记录之旅。

        SLAM在各个行业都有应用，那么这篇文章主要记录学习各个工具的过程、教程。

        主要学习的系统/工具：Linux系统应用（Ubuntu 18.04）、Ros系统（Ros melodic）、激光雷达原理、SLAM相关理论与实践编程等。

---

二、SLAM（同步定位与地图构建）

2.1 激光SLAM算法简介

        SLAM（Simultaneous Localization and Mapping）是业界公认视觉领域空间定位技术的前沿方向，中文译名为[同步定位与地图构建]，它主要用于解决机器人在未知环境运动时的定位与地图构建问题（即：一个机器人在未知环境中运动，如何通过对环境的观测确定自身的运动轨迹，同时构建出环境的地图）。在无人驾驶领域，可以使用SLAM技术提供视觉里程计功能，然后跟其他的定位方式融合，实现车辆在未知环境厘米级定位。机器人定位导航方面，SLAM可以用于生成环境的地图。基于这个地图，机器人/汽车等设备可执行路径规划、自主探索、导航等任务。

        广义上，SLAM（同步定位与地图构建）分为激光SLAM与视觉SLAM两大类。按照传感器的不同，可分为基于激光雷达的2D/3D SLAM、基于深度相机的RGBD SLAM、基于视觉传感器的 visual SLAM（以下简称vSLAM）、基于视觉传感器和惯性单元的visual inertial odometry（以下简称VIO）。

        基于激光雷达的SLAM以其准确测量障碍点的角度与距离、无须预先布置场景、可融合多传感器、在光线较差环境工作、能够生成便于导航的环境地图等优势，成为目前定位/建图方案中不可或缺的新技术。激光SLAM任务是搭载激光雷达的主体于运动中估计自身的位姿，同时建立周围的环境地图。

2.2 激光SLAM算法发展历程

年份	方案	传感器	优缺点
1988	EKF-SLAM	2D激光	构建特征地图，计算量复杂，鲁棒性差
2002	Fast-SLAM	2D激光	最早实时输出栅格地图；消耗内存，粒子耗散严重
2007	Gmapping	2D激光	缓解粒子耗散；非常依赖于里程计信息
2010	Optimal RBPF	2D激光	进一步减少粒子退化问题
2010	Karto-SLAM	2D激光	首个基于图优化框架开源方案，认识稀疏性；耗费时间
2011	Hector-SLAM	2D激光	不需要里程计信息；强旋转下漂移，初值敏感，难处理闭环
2014	LOAM	3D激光	实时性好；匀速运动假设，无闭环检测
2015	V-LOAM	3D激光、视觉	精度高、算法鲁棒性好；漂移匀速假设，无闭环检测
2016	Cartographer	2D激光	CSM与梯度优化的前端，图优化的后端，加速的闭环检测
2016	VELO	3D激光、视觉	有闭环检测模块，低漂移；无运动畸变假设
2018	IMLS	3D激光	不依赖于GPS、IMU、相机等传感器，低漂移
2018	LVIO	3D激光、视觉	低漂移，光照、旋转、结构退化环境下鲁棒性极好

---

三、主要工作

        安装Ubuntu 18.04系统，调试并换源

        安装Ros系统，调试，小乌龟试跑

        安装Vscode，调试环境，匹配Ros workspace

        学习雷达数据预处理（雷达畸变，里程计标定等）

        学习前端匹配（ICP、PI-ICP等）

        学习后端优化（手写）

        学习回环检测

        （更新ing）

下一篇文章：二、Linux系统安装（PC/虚拟机）