Graph-SLAM学习笔记

一、SLAM介绍：

       SLAM是“Simultaneous Localization And Mapping”的缩写，可译为同步定位与建图。SLAM问题的处理方法主要分为滤波和图优化两类。滤波的方法中常见的是扩展卡尔曼滤波、粒子滤波、信息滤波等。

二、图优化：

        图是由节点和边构成。在graph-based SLAM中，机器人的位姿是一个节点（node）或顶点(vertex)，位姿之间的关系构成边(edge)。具体而言比如t+1时刻和t时刻之间的odometry关系构成边，或者由视觉计算出来的位姿转换矩阵也可以构成边。一旦图构建完成了，就要调整机器人的位姿去尽量满足这些边构成的约束。

       图优化SLAM问题能够分解成两个任务：

       1. 构建图，机器人位姿当做顶点，位姿间关系当做边，这一步常常被成为前端（front-end），往往是传感器信息的堆积。

       2. 优化图，调整机器人位姿顶点尽量满足边的约束，这一步称为后端（back-end）。

       

        图优化过程如下：先堆积数据，机器人位姿为构建的顶点。边是位姿之间的关系，可以是编码器数据计算的位姿，也可以是通过ICP匹配计算出来的位姿，还可以是闭环检测的位姿关系。构建的图和原始未经优化的地图如下：

  

够建好图以后，就能调整顶点满足边的约束，最后得到的优化后的地图如下图右所示。

 两种构建约束条件的方案：

（1）步长约束+闭环约束

（2）步长约束+地标约束

reference：

白巧克力亦唯心  graph slam tutorial : 从推导到应用1 （ https://blog.csdn.net/heyijia0327/article/details/47686523）