SLAM基本知识汇总

一、有用的博客：

视觉slam学习资料

激光slam vs 视觉slam

IROS ICRA

1.每种传感器都有自身的特点，如激光雷达具有极高的距离准确度，但是不能够探测到透明物体；RGB-D 摄像头具有 3D 视角，
有彩色图像，可是一般是使用红外线作为深度信息的探测光，很容易受到阳光的干扰；而超声波传感器价格低廉，可以探测机器人到玻璃的距离，但是准确度不够。    同时，除了距离传感器，我们还使用惯性测量单元IMU 来得到机器人的位姿，使用碰撞开关作为机器人外部碰撞的保护。

2.Kinect 的 3D视觉也可以使用压缩的方式转换成 2D 区域，来自 Kinect 的 11bit 的原始数据被转换为深度图像和像素坐标，转化之后的数据将被用于在 2D 地图中发布障碍物所在位置。

3.基于边界的探索，他的中心思想是：获得关于世界的最新信息，移动并探测开放空间和未知空间之间的边界。

4.基于 Rao-Blackwellized 粒子滤波的 Gmapping 算法作为即时定位与地图构建（SLAM）问题的有效解决方法。

5.使用 Dijkstra 算法（狄克斯特拉算法）作为全局路径规划的算法，计算出从机器人的当前位置开始，到包含目标位置的最短无障碍路径。

6.主要是传感器融合 包 IRA  Laser  tools 、 地 图 构 建 包 Gmapping 、 自 主 边 界 探 索 包Frontier_Exploration、路径规划包 move_base。

7.目前的局部路径规划的主要分为三类：人工势场法、动态窗口法和模糊逻辑控制法等。

人工势场法的局部路径规划方法最早是由 Khatib 提出来的，它是一种虚拟力法，将环境描述为一个力场模型，在机器人导航的过程中，导航目标点给它一个虚拟“吸引力”，路径上的障碍则给它一个虚拟“排斥力”，最后求两者合力来确定机器人的运动趋势。Rimon、Shahid 和 
Khosla 等人引入势能函数来解决容易陷入局部最优问题。

8.扩展卡尔曼滤波（Extended Kalman Filter，EKF）主要通过对非线性系统的泰勒展开来对非线性系统进行近似。无迹卡尔曼滤波（UnscentedKalman Filter，UKF）采用采样方法来近似非线性分布。

其核心思想是通过 U 变换（Unscented 变换）对非线性系统进行模型状态和协方差递推羽更新，U 变换后采用标准 Kalman 滤波进一步求解，所以 UKF 的核心是 U 变换。UKF 避免了泰勒展开截断高阶项带来的误差，在提高滤波精度的同时不需要计算雅可比矩阵，所以计算量较低。