本篇主要記錄目前在ROS下開源的幾種基於激光雷達的SLAM算法的特點以及優劣，目的在於對日后工作中選擇合適的算法提供指導，因此，下面將Karto，Hector,Gmapping,Cartographer等幾種開源算法通過列表的形式進行了對比：
| Hector |
Gmapping |
Karto |
cartographer |
| scan-matching(Gaussian-Newton equation) +傳感器的要求高 |
mapping采用的是RBPF的方法 |
KartoSLAM是基於圖優化的方法，用高度優化和非迭代 cholesky矩陣進行稀疏系統解耦作為解． |
artographer是Google的實時室內建圖項目，傳感器安裝在背包上面，可以生成分辨率為5cm的2D格網地圖 |
| 要求: 高更新頻率小測量噪聲的激光掃描儀.不需要里程計,使空中無人機與地面小車在不平坦區域運行存在運用的可能性. |
粒子濾波的方法一般需要大量的粒子來獲取好的結果,但這必會引入計算的復雜度;粒子是一個依據過程的觀測逐漸更新權重與收斂的過程,這種重采樣的過程必然會代入粒子耗散問題(depletion problem), 大權重粒子顯著,小權重粒子會消失(有可能正確的粒子模擬可能在中間的階段表現權重小而消失). |
圖優化方法利用圖的均值表示地圖，每個節點表示機器人軌跡的一個位置點和傳感器測量數據集，箭頭的指向的連接表示連續機器人位置點的運動，每個新節點加入，地圖就會依據空間中的節點箭頭的約束進行計算更新． |
獲得的每一幀laser scan數據，利用scan match在最佳估計位置處插入子圖（submap）中，且scan matching只跟當前submap有關。在生成一個submap后，會進行一次局部的回環（loop close），利用分支定位和預先計算的網格，所有submap完成后，會進行全局的回環。 |
| 利用已經獲得的地圖對激光束點陣進行優化, 估計激光點在地圖的表示,和占據網格的概率. 為避免局部最小而非全局最優的出現,地圖采用多分辨率的形式. |
自適應重采樣技術引入減少了粒子耗散問題 , 計算粒子分布的時候不單單僅依靠機器人的運動(里程計),同時將當前觀測考慮進去, 減少了機器人位置在粒子濾波步驟中的不確定性. |
KartoSLAM的ROS版本，其中采用的稀疏點調整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環檢測相關．landmark越多,內存需求越大,然而圖優化方式相比其他方法在大環境下制圖優勢更大.在某些情況下KartoSLAM更有效,因為他僅包含點的圖(robot pose),求得位置后再求map. |
submap的構造是一個重復迭代配准scan和submap的過程。利用配准估算出pose對scan進行剛體變換，插入到submap中。 連續的scan用來構造submap，這里submap以概率格網的形式表現。每一個scan，在插入格網（submap）時，每一個grid有hits和miss兩種情況。離scan終點最近的grid為hits，在scan原點和終點之間相交的grid為miss。之前未觀察的grid分配一個概率，已觀察的grid進行概率更新。 |
在總結的時候主要參考了，下述的兩篇博客，在此表示感謝。
https://blog.csdn.net/u012700322/article/details/52953768
https://blog.csdn.net/zyh821351004/article/details/47381135