基於后端分類：
- 圖優化方法
- 滑動窗口
- 濾波器方法：多傳感器融合
基於圖優化的方法：
主要分為圖的構建和求解
幀間匹配算法：
- ICP及其變形（PI-ICP、NICP）
- CSM
- NDT
- 基於優化
- 基於特征
回環檢測：
- scan-to-scan：當前scan與后面scan匹配，歧義較大
- scan-to-map ：將地圖划分為一個個子圖，講當前scan與子圖進行匹配
- map-to-map：當前scan與后面若干幀形成子圖與前面的子圖匹配，計算量較大
后端優化：
- 高斯牛頓方法
- LM方法
2D激光SLAM輸入：
- IMU數據
- 里程計數據
- 2D激光雷達數據
2D激光SLAM輸出：
- 覆蓋柵格地圖
- 機器人的軌跡或者位姿圖
2D激光SLAM的幀間匹配方法：
- PL-ICP：點到線的距離，更符合室內結構化場景，依賴初始解
- CSM：暴力搜索，能找到最優解
- 基於優化方法：依賴於地圖的梯度，可以輕易引入額外約束
- state of art：CSM+梯度優化
2D激光SLAM的回環檢測：
- scan-to-map
- map-to-map
- 分支界限和延遲決策，防止誤回環
2D激光SLAM的發展：
濾波：沒有回環的概念
- EKF-SLAM：環境增大后狀態量急劇增大
- FastSLAM：粒子濾波，每一個粒子表示一個地圖
- Gmapping：FastSLAM升級版本
- optimal RBPF：進一步優化
基於圖優化：
- Karto-SLAM：首個基於圖優化的2D激光SLAM
- Cartographer：原理相似
數據預處理：
- 輪式里程計的標定
- 激光雷達運動畸變去除
- 不同系統之間時間同步（不同CPU）
視覺提供的信息：
- 高精度的里程計信息
- 信息量豐富的視覺地圖
實際環境中的問題：
- 動態物體：高動態（行走的人和移動前后的物體）
- 環境變化
- 幾何結構相似環境
- 建圖的操作復雜
- 全局定位：信息量小
- 地面材質的變化
- 地面凹凸不平
- 機器人載重改變（與前兩條一起影響里程計）
紅色為傳感器融合可以解決的問題
三維激光幀間匹配方法：
- Point-to-plane ICP：點到面的距離，類似於2D的點線
- plane-to-plane ICP（GICP）：面到面的距離
- NDT：划分網格、擬合高斯分布，速度快，三維用的比較多
- NICP：在ICP的基礎上，引入法向量信息，（角度）精度高
- IMLS-ICP：對點雲進行局部曲面擬合
- Feature-based Method：提取特征點和描述符進行匹配
三維激光雷達與視覺融合
激光slam的問題
- 退化環境
- 地圖的動態更新
- 全局地位
- 動態環境定位：動態物體檢測與跟蹤解決