每日浅读SLAM论文——简析Gmapping

Gmapping是基于粒子滤波的二维激光SLAM算法，虽然自从cartographer出现后已经不太使用了（因为他没有回环，且随着地图大小提升需要更多粒子，算法复杂度过高），但是它任然是一个非常优秀的算法，因此花一点点时间稍微讲述一下。

粒子滤波算法

我们直接从粒子滤波框架开始讲起（我会讲的很浅显，即便你不会粒子滤波，但是要真正掌握还是要认真看推导，比如去看概率机器人）。

首先${\chi }_{t-1}$是上一帧的粒子（每个粒子都携带着一张地图及机器人的之前的位姿），$u_t$代表这一次的运动，$z_t$代表观察到的激光。

从第3行开始看，循环1-M就是对每个粒子（即地图）进行操作；第4行是根据运动模型采样一个当前位姿，即在之前的地图上再运动$u_t$，当然这个运动是个分布，采样结果在$u_t$附近；第5行，根据目前移动到的位置，以及在这个位置下激光打到的结果，打个分数（比如激光打到地方在地图上也是障碍物+1分这种），这样可以给每个粒子计算一个权重，乘上之前的权重，权重最高的那个粒子就会被认为是目前的结果。

8-11行是在进行重采样，因为随着算法进行，有些粒子权重会非常低，几乎不能表示真是情况，且消耗计算资源，因此我们会将权重高的粒子多复制几份，权重低的可能就丢弃了。

Gmapping改进

直接看这篇文章吧，写的很好
Gmapping主要改进了两点

• 改进提议分布，第4行使用运动模型对粒子进行的采样，但运动模型方差很大，采样的结果很分散，需要更多粒子才有机会抽到真实情况。因此Gmapping在这一步中就考虑了观测，利用观测数据进行了采样，使得采样更加集中。
• 减少重采样次数，频繁重采样会导致粒子多样性丢失，有些更好的粒子可能在过程中丢失，经常十分钟后的例子已经完全不记得之前扫描的结果了，所有的地图之前部分都一样。作者使用了一个很巧妙的方法，用下面这个公式进行判断，当某个粒子特别重要，考虑极端情况某个粒子重要性为1，其他都为0，那么$N_{eff}$非常小，需要进行重采样。重采样后，粒子的权重都变得差不多（小权重被丢弃），$N_{eff}$变得很大。
  $N_{eff}=\frac{1}{{\Sigma }_{i=1}^N({\omega }_i^2)}$