點擊上方 “小白學(xué)視覺 ”，選擇加" 星標 "或“ 置頂 ”
重磅干貨，第一時間送達
https://zhuanlan.zhihu.com/p/78334136
本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪除。
Globally Consistent Range Scan For Environment Mapping----97
Incremental Mapping of Large Cyclic Environments----99
1. Gmapping Gmapping是應(yīng)用最為廣泛的2D slam方法，主要是利用RBPF（Rao-Blackwellized Particle Filters）方法，所以需要了解粒子濾波的方法（利用統(tǒng)計特性描述物理表達式下的結(jié)果）。Gmapping在RBPF算法上做了兩個主要的改進：改進提議分布 和選擇性重采樣 。
Gmapping可以實時構(gòu)建室內(nèi)地圖，在構(gòu)建小場景地圖所需的計算量較小且精度較高。相比Hector SLAM對激光雷達頻率要求低、魯棒性高（Hector 在機器人快速轉(zhuǎn)向時很容易發(fā)生錯誤匹配，建出的地圖發(fā)生錯位，原因主要是優(yōu)化算法容易陷入局部最小值 ）；而相比Cartographer在構(gòu)建小場景地圖時，Gmapping不需要太多的粒子并且沒有回環(huán)檢測因此計算量小于Cartographer而精度并沒有差太多。
隨著場景增大所需的粒子增加，因為每個粒子都攜帶一幅地圖，因此在構(gòu)建大地圖時所需內(nèi)存和計算量都會增加。因此不適合構(gòu)建大場景地圖。并且沒有回環(huán)檢測，因此在回環(huán)閉合時可能會造成地圖錯位，雖然增加粒子數(shù)目可以使地圖閉合但是以增加計算量和內(nèi)存為代價。
所以Gmapping不能像cartographer那樣構(gòu)建大的地圖，雖然論文生成幾萬平米的地圖，但實際我們使用中建的地圖沒有上萬平米時就會發(fā)生錯誤。
缺點：依賴里程計（odometry），無法適用無人機及地面小車不平坦區(qū)域；無回環(huán)；
2. Hector slam Hector slam對傳感器的要求比較高，它主要是利用高斯牛頓方法來解決scan-matching的問題。
Hector slam無需使用里程計，所以在不平坦區(qū)域?qū)崿F(xiàn)建圖的空中無人機及地面小車具有運用的可行性，利用已經(jīng)獲得的地圖對激光束點陣進行優(yōu)化，估計激光點在地圖的表示，和占據(jù)網(wǎng)絡(luò)的概率。獲得激光點集映射到已有地圖的剛體變換，為避免局部最小而非全局最優(yōu)出現(xiàn)，地圖使用多分辨率。
需具備高更新頻率且測量噪音小的激光掃描儀，所以，在制圖過程中，robot的速度要控制在較低的情況下 才會有比較理想的建圖效果，這也是它沒有回環(huán)的一個后遺癥。另外在里程計數(shù)據(jù)比較精確的情況下無法有效利用里程計信息。
優(yōu)點：不需要使用里程計，所以使得空中無人機及地面小車在不平坦區(qū)域建圖存在運用的可行性；利用已經(jīng)獲得的地圖對激光束點陣進行優(yōu)化, 估計激光點在地圖的表示,和占據(jù)網(wǎng)格的概率；利用高斯牛頓方法解決scan-matching 問題，獲得激光點集映射到已有地圖的剛體變換；為避免局部最小而非全局最優(yōu)，使用多分辨率地圖；導(dǎo)航中的狀態(tài)估計加入慣性測量系統(tǒng)（IMU），利用EKF濾波；
缺點：需要雷達（LRS）的更新頻率較高，測量噪聲小。所以在制圖過程中，需要robot速度控制在比較低的情況下 ，建圖效果才會比較理想，這也是它沒有回環(huán)（loop close）的一個后遺癥；且在里程計數(shù)據(jù)比較精確的時候，無法有效利用里程計信息。
實驗表明：在大地圖，低特征（distinctive landmarks）場景中，hector的建圖誤差高于gmapping。這是由于hector過分依賴scan-match。特別是在長廊問題中，誤差更加明顯。
補充：hector_slam通過最小二乘法匹配掃描點，且依賴高精度的激光雷達數(shù)據(jù)，因此掃描角很小且噪聲較大的Kinect是不行的，匹配時會陷入局部點，地圖比較混亂。
3. KartoSLAM KartoSLAM是基于圖優(yōu)化 的方法，用高度優(yōu)化和非迭代 cholesky矩陣進行稀疏系統(tǒng)解耦作為解，圖優(yōu)化方法利用圖的均值表示地圖，每個節(jié)點表示機器人軌跡的一個位置點和傳感器測量數(shù)據(jù)集，箭頭的指向的連接表示連續(xù)機器人位置點的運動，每個新節(jié)點加入，地圖就會依據(jù)空間中的節(jié)點箭頭的約束進行計算更新．
KartoSLAM的ROS版本，其中采用的稀疏點調(diào)整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環(huán)檢測相關(guān)。landmark越多,內(nèi)存需求越大，然而圖優(yōu)化方式相比其他方法在大環(huán)境下制圖優(yōu)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。
4. LagoSLAM LagoSLAM是線性近似圖優(yōu)化 ，不需要初始假設(shè)，優(yōu)化器的方法可以有三種選擇 Tree-based netORK Optimizer(TORO), g2o,LAGO。
基本的圖優(yōu)化slam的方法就是利用最小化非線性非凸代價函數(shù)，每次迭代，解決局部凸近似的初始問題來更新圖配置，過程迭代一定次數(shù)直到局部最小代價函數(shù)達到， (假設(shè)起始點經(jīng)過多次迭代使得局部代價函數(shù)最小)。
5. CoreSLAM 為了簡單和容易理解最小化性能損失的一種slam算法，將算法簡化為距離計算與地圖更新的兩個過程，第一步，每次掃描輸入，基于簡單的粒子濾波算法計算距離，粒子濾波的匹配器用于激光與地圖的匹配，每個濾波器粒子代表機器人可能的位置和相應(yīng)的概率權(quán)重，這些都依賴于之前的迭代計算. 選擇好最好的假設(shè)分布，即低權(quán)重粒子消失，新粒子生成，在更新步驟，掃描得到的線加入地圖中，當(dāng)障礙出現(xiàn)時，圍繞障礙點繪制調(diào)整點集，而非僅一個孤立點。
通過在大小仿真環(huán)境、實際環(huán)境以及CPU消耗的情況下進行算法比較，發(fā)現(xiàn)KartoSLAM 與gmapping優(yōu)勢更大。
https://home.isr.uc.pt/~davidbsp/publications/SPR_SSRR2013_SLAM.pdf
6. Cartographer https://www.zhihu.com/question/51348391
參考：
http://www.slamtec.com/cn/news/detail/72
https://home.isr.uc.pt/~davidbsp/publications/SPR_SSRR2013_SLAM.pdf
https://blog.csdn.net/qq_34675171/article/details/90573253
https://blog.csdn.net/liuyanpeng12333/article/details/81946841
下載1：OpenCV-Contrib擴展模塊中文版教程
在「小白學(xué)視覺 擴展模塊中文教程 ， 即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理 等二十多章內(nèi)容。
下載2：Python視覺實戰(zhàn)項目52講
在「小白學(xué)視覺 公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目 ， 即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別 等31個視覺實戰(zhàn)項目，助力快速學(xué)校計算機視覺。
在「小白學(xué)視覺 公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講 ， 即可下載含有20 個基于OpenCV 實現(xiàn)20個實戰(zhàn)項目 ，實現(xiàn)OpenCV學(xué)習(xí)進階。
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺 、傳感器、自動駕駛、 計算攝影 、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽 等微信群（以后會逐漸細分）， 請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過 。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿 在群內(nèi)發(fā)送廣告 ，否則會請出群，謝謝理解~
