對於移動機器人來說，最吸引人的莫過於SLAM，堪稱Moving Robot 皇冠上的明珠。Perception 服務於 SLAM，Motion Plan基於SLAM。SLAM在移動機器人整個問題框架中，起着最為核心的作用。為了專注於Mapping，此章我們假設 Location 是已知的。
1、Metric Map
軌跡規划任務是再Metric Map的基礎上完成的。當然，層次最高的是語意圖，語意圖是未來研究的熱點方向。獲取Metric Map 的難度最大之處在於：1、傳感器噪聲（May be solved by PGM； 2、機器人在移動（Location 問題）；
常見的MAP是基於UGV而言的， 使用的地圖是Occupancy Map，與之前在軌跡規划欄目中的圖一樣，以 0 表示無法到達的區域，以 1 表示可以達到的區域。
2、傳感器噪聲問題的Naive Solution
解決傳感器噪聲問題的方法是對傳感器進行建模，其模型為概率模型：
對於給定的觀測，其factor 如上，當連續N次觀測到同一個xy的值時，利用 factor product，即可獲得n次觀測的Joint CPD ，在Joint CPD 上運行MAP算法，即可獲得最終的地圖了。在通解的基礎上，確實是這樣設計算法的，但是我們目前面對的Mapping 問題還太Naive，不需要如此復雜的手段。
此處定義了一個odd，表示發生與否可能性的比值。換言之，就是傳感器出錯的概率比，這是一個可以估計的量。比如傳感器測出有物體的odd是2，沒物體的odd是3.
依據Beyes 公式把Odd展開：
其中，p(m = 1|z)/p(m = 0/z) 表示的是測量完成后 odd 的值，它等於 此次測量值 + 之前的odd。
換言之，我們只要定義好先驗圖與log-odd-meas，就可以了。
3、Mapping Algorithm
所有的東西總是說起來容易做起來難。即使是如此Naive的Map，真正Coding還是很難的。尤其是如何高效的實現Map的更新，此外，機器人每次發出的激光線達上千條，每個位姿都要更新上前個點。對此問題，我設計了並行算法，即使在並行的條件下，生成一次Map也要近20s.
算法流程如下：
1、將激光擊中的點變換到全局坐標系下
2、利用Breshenman 算法，獲取激光通過的路徑
3、獲取Occupied Map 與 Free Map
4、更新Map.
左圖是單次測量的圖，也就是機器人一個位姿的測量結果。顯然，在靠近機器人的地方，噪聲嚴重。右圖是機器人在空間中移動后最終的Map。
4、3D Mapping
對於2維地圖，我們采用 free+occupy 的形式儲存空間中的障礙物。然而有障礙物的地方畢竟還是少數，或者說，地圖是稀疏的。
對於3維數據而言，我們用3維的空間來描述顯然不划算，由其是當空間巨大時。此時我們選擇的地圖，或者說是數據結構是kd-tree 與 OcTree. 此部分內容在點雲相關博客中有過介紹，不贅述。
