SLAM
傳感器分類
- 二維激光
- 三維激光
- 視覺傳感器
- 聲納傳感器
后端處理分類
- 圖優化（Graph-based,優化全部位姿，屬於全局優化，可能存在計算量的問題，影響實時性？？？）
- 滑動窗口方法（sliding-window優化固定數目的位姿，常用於VIO方法，MSCKF）
- 濾波器方法（filter-based, 卡爾曼濾波，EKF，UKF）
Graph-based SLAM architecture
- 前端匹配（幀間匹配）
- 回環檢測
- 后端優化（非線性最小二乘，構建約束最小化代價方程）
圖結構
- Graph：SLAM 進程
- Node： 機器人位姿
- Edge： 節點之間的空間約束關系
激光SLAM流程
- 數據預處理（激光雷達去畸變，里程計標定）
- 激光幀間匹配（計算相對位姿）
- 回環檢測（loop closure）
- 后端優化（pose-graph,非線性最小二乘）
數據預處理
里程計標定： 機械標定存在誤差/累計誤差/存在漂移問題; 提供初始解
激光雷達運動畸變去除：激光數據采集需要時間/傳感器移動
幀間匹配算法（核心部分）
ICP/PI-ICP/NICP/NDT/CSM
回環檢測
- scan-to-scan（逐幀匹配，有歧義，計算量小）
- scan-to-map（幀組合成子圖，當前幀與子圖匹配）
- map-to-map（子圖與子圖進行匹配，基本無歧義，計算量大）
后端優化
高斯牛頓/LM方法
2D SLAM
輸入
IMU/里程計/2D激光雷達數據
輸出
覆蓋柵格地圖/機器人軌跡（建圖*定位）
幀間匹配方法
PL-ICP： 點到線的距離，符合室內結構化場景，依賴初始解
CSM（Correlation Scan Match）：暴力搜索
Optimization-Based：依賴地圖的梯度，可以輕易的引入額外約束
State-of-Art: CSM+梯度優化
回環檢測方法
- scan-to-map
- map-to-map
- Branch and Bound&Lazy Decision（延遲決策）
主要方法
Filter-based
- EKF
- FastSLAM 粒子濾波
- Gmapping
- Optimal RBPF
Graph-based
- Karto-SLAM(首個開源算法，經典)
- Cartographer（與Karto-SLAM 類似）
應用中的問題
數據預處理（最重要的部分）
- 里程計
- 激光雷達運動畸變
- 不同系統間的時間同步
實際環境中的問題
動態物體/環境變化/幾何結構相似環境
3D SLAM
與2D激光不同： 3D激光雷達數據
幀間匹配方法
Point-to-Plane ICP: 點到面的ICP
Plane-to-Plane ICP:面到面的距離
NDT：划分網格，擬合高斯分布
NICP：在ICP基礎上引入法向量信息
IMLS-ICP：點雲進行局部曲面擬合，曲面匹配
Feature-Based: 提取特征點和描述符進行匹配
應用
預處理
同2D SLAM，但預處理任務更重
與視覺融合
3D雷達提供深度信息，輔助回環和提供里程信息，消除運動畸變
激光SLAM問題
退化環境（Degeneration Environment）
空曠的環境
地圖的動態更新
全局定位
動態環境定位
動態物體濾除，檢測與跟蹤