SLAM
传感器分类
- 二维激光
- 三维激光
- 视觉传感器
- 声纳传感器
后端处理分类
- 图优化（Graph-based,优化全部位姿，属于全局优化，可能存在计算量的问题，影响实时性？？？）
- 滑动窗口方法（sliding-window优化固定数目的位姿，常用于VIO方法，MSCKF）
- 滤波器方法（filter-based, 卡尔曼滤波，EKF，UKF）
Graph-based SLAM architecture
- 前端匹配（帧间匹配）
- 回环检测
- 后端优化（非线性最小二乘，构建约束最小化代价方程）
图结构
- Graph：SLAM 进程
- Node： 机器人位姿
- Edge： 节点之间的空间约束关系
激光SLAM流程
- 数据预处理（激光雷达去畸变，里程计标定）
- 激光帧间匹配（计算相对位姿）
- 回环检测（loop closure）
- 后端优化（pose-graph,非线性最小二乘）
数据预处理
里程计标定： 机械标定存在误差/累计误差/存在漂移问题; 提供初始解
激光雷达运动畸变去除：激光数据采集需要时间/传感器移动
帧间匹配算法（核心部分）
ICP/PI-ICP/NICP/NDT/CSM
回环检测
- scan-to-scan（逐帧匹配，有歧义，计算量小）
- scan-to-map（帧组合成子图，当前帧与子图匹配）
- map-to-map（子图与子图进行匹配，基本无歧义，计算量大）
后端优化
高斯牛顿/LM方法
2D SLAM
输入
IMU/里程计/2D激光雷达数据
输出
覆盖栅格地图/机器人轨迹（建图*定位）
帧间匹配方法
PL-ICP： 点到线的距离，符合室内结构化场景，依赖初始解
CSM（Correlation Scan Match）：暴力搜索
Optimization-Based：依赖地图的梯度，可以轻易的引入额外约束
State-of-Art: CSM+梯度优化
回环检测方法
- scan-to-map
- map-to-map
- Branch and Bound&Lazy Decision（延迟决策）
主要方法
Filter-based
- EKF
- FastSLAM 粒子滤波
- Gmapping
- Optimal RBPF
Graph-based
- Karto-SLAM(首个开源算法，经典)
- Cartographer（与Karto-SLAM 类似）
应用中的问题
数据预处理（最重要的部分）
- 里程计
- 激光雷达运动畸变
- 不同系统间的时间同步
实际环境中的问题
动态物体/环境变化/几何结构相似环境
3D SLAM
与2D激光不同： 3D激光雷达数据
帧间匹配方法
Point-to-Plane ICP: 点到面的ICP
Plane-to-Plane ICP:面到面的距离
NDT：划分网格，拟合高斯分布
NICP：在ICP基础上引入法向量信息
IMLS-ICP：点云进行局部曲面拟合，曲面匹配
Feature-Based: 提取特征点和描述符进行匹配
应用
预处理
同2D SLAM，但预处理任务更重
与视觉融合
3D雷达提供深度信息，辅助回环和提供里程信息，消除运动畸变
激光SLAM问题
退化环境（Degeneration Environment）
空旷的环境
地图的动态更新
全局定位
动态环境定位
动态物体滤除，检测与跟踪