各类开源slam算法比较

最新推荐文章于 2024-02-21 23:09:24 发布

kobesdu

最新推荐文章于 2024-02-21 23:09:24 发布

阅读量1.1k

点赞数 1

分类专栏： slam学习笔记文章标签： slam

本文链接：https://blog.csdn.net/kobesdu/article/details/116526945

版权

slam学习笔记专栏收录该内容

45 篇文章 131 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文对比了不同开源SLAM算法的特点和适用场景，包括Cartographer的多传感器融合和图优化，Karto的SPA图优化与单线程处理，Hector SLAM的高鲁棒性和对激光雷达帧率的要求，以及Gmapping在小场景地图构建上的优势。Cartographer在回环检测和后端优化方面的表现优于其他算法，适合大规模环境建图，而Gmapping则在小场景下表现出色，但缺乏回环检测功能。

摘要由CSDN通过智能技术生成

Cartographer是基于图优化的方法建图算法，它与Karto都是图优化框架，但有诸多不同，例如Karto采取的是spa图优化方法，而Cartographer采用的是google的ceres构建problem优化，Karto的前后端是单线程进行，而cartographer采取的是多线程后端优化。而Cartographer也支持多传感器融合建图，可以处理来自激光雷达、IMU、里程计等传感器的数据并给予这些数据进行地图的构建。

karto salm是基于图优化的方法，图优化方法利用图的均值表示地图，每个节点表示机器人轨迹的一个位置点和传感器测量数据集，箭头的指向的连接表示连续机器人位置点的运动，每个新节点加入，地图就会依据空间中的节点箭头的约束进行计算更新。karto slam需要里程计和激光雷达数据。karto建图也是使用激光雷达数据来创建环境的栅格地图，当机器人慢速移动时，karto建图是优于gmapping建图的。karto建图方式不同于gmapping，是基于图优化的，一上来不会看到一大片。

hector功能包使用高斯牛顿方法，不需要里程计数据，只根据激光信息便可构建地图。因此，该功