【2D/3D-Lidar-SLAM】 激光slam理论与实践

1. 激光slam理论与实践

1.1 2D激光SLAM

1.2 3D激光SLAM

2. 激光雷达运动畸变去除

2.1 Lidar数学模型与点云去畸变

2.2 运动畸变

3. 激光slam的前端配准

3.1 帧间匹配

• ICP (Iterative Closest Point)
• PI-ICP (Point-to-Line Iterative Closest Point)
• 基于优化的匹配方法
• 相关匹配方法及分支定界加速 CSM (Correlation Scan Match)

3.2 3.2 ICP (Iterative Closest Point)

3.3 PI-ICP (Point-to-Line Iterative Closest Point)

3.4 基于优化的匹配方法 Hector-SLAM Cargrapher

3.5 相关匹配方法及分支定界加速 CSM (Correlation Scan Match)

分枝定界算法（Branch and Bound）在激光雷达（LiDAR）匹配中是一种用于解决优化问题的方法，尤其是在回环检测和路径规划中。这种方法通过系统地探索所有可能的解决方案空间，并在探索过程中剪枝不具有最优性的分支，从而找到最优解。以下是分枝定界算法在激光雷达匹配中的实现流程及其原理的详细描述：
实现流程：

1. 初始化：- 定义搜索空间，这可能是激光雷达扫描点的集合或者路径规划中的所有可能路径。- 设置最优解的初始值，通常是最大或最小值，取决于问题的目标。
2. 分支： 将当前的搜索空间划分为若干子空间（分支）。在激光雷达匹配中，这可能涉及到将扫描数据分割成更小的部分，或者在路径规划中探索不同的路线。
3. 定界- 对每个子空间计算一个界限值，这个界限值是对子空间内可能的最优解的一个估计。在激光雷达匹配中，这可能涉及到计算子空间内匹配的最小或最大得分。
4. 剪枝： - 如果某个子空间的界限值不满足最优性条件（如界限值大于当前已知的最优解），则放弃这个子空间（剪枝）。
5. 求解：- 对未被剪枝的子空间进行更深入的探索，可能涉及到更精细的匹配或路径规划。
6. 更新最优解：- 如果在某个子空间中找到了更好的解，更新当前的最优解。
7. 迭代： - 重复分支、定界、剪枝和求解步骤，直到满足终止条件，如达到预设的迭代次数或子空间的界限值不再有改进。
8. 输出最优解： - 算法结束时，输出找到的最优解，这可能是最佳的激光雷达匹配或路径规划。

4. 基于滤波器的激光SLAM方法

4.1 贝叶斯滤波