激光SLAM发展方向及应用

1、SLAM简介

location:(L):在给定地图的情况下，估计机器人的位姿

Mapping(M):在给定机器人位姿的情况下，估计环境地图
SLAM：同时估计机器人的位姿和环境地图
SLAM解决的问题：（1）机器人在环境中的位姿（2）导航过程中需要的环境地图

1.1 SLAM 分类

静态环境：尺度地图：滤波器、图优化

拓扑地图：大环境

混合地图

SLAM框架：前端：地图构建。后端：优化误差 ~ 0

图优化：Graph-based SLAM Node：机器人的位姿
Edge：节点之间的空间约束关系
Graph：表示SLAM的过程
滤波器：Filter-based SLAM 状态预测(State Prediction)（里程计）
测量预测(Measurement Prediction)

进行测量(Measurement)
数据关联(Data Association)
状态更新 & 地图更新(State & Map Update)

2、2D-激光SLAM

室内：二维激光雷达室外：三维激光雷达

传感器：惯性测量单元(IMU) -- 测角度轮式里程计(Wheel Odometry) --测距离激光雷达(Lidar)

地图类型：覆盖栅格地图(Occupany Grid Map) 点云地图
帧间匹配算法
ICP(Iterative Closest Point)
NDT(Normal Distribution Transfomation)
PI-ICP(Point-to-Line Iterative Closest Point)
CSM(Correlation Scan Match)
回环检测
Scan-to-Scan
Map-to-Map ：把几帧地图集合成一个子图，在与历史上匹配构成回环
Scan-to-Map ：当前激光数据与历史上匹配构成回环

2D激光SLAM的输入
IMU数据
2D激光雷达数据
里程计数

输出：覆盖栅格地图、机器人的轨迹 or PoseGraph

2D激光SLAM的帧间匹配方法
PI-ICP
梯度优化方法
CSM(Correlation Scan Match)
State of Art: CSM+梯度优化 cartgrapher
2D激光SLAM的回环检测方法
Scan-to-Map
Map-to-Map
Branch and Bound & Lazy Decision

2D激光SLAM的发展

Filter-based
EKF-SLAM----90年代
Gmapping----07
FastSLAM----02~03
Optimal RBPF----10
Graph-based
Globally Consistent Range Scan For Environment Mapping----97
Karto SLAM----10
Incremental Mapping of Large Cyclic Environments----99
Cartographer----16 目前最好

数据的预处理---非常重要！！！