LIO-SLAM: 使用注意事项和算法解析

LIO-SLAM: 使用注意事项和算法解析

一. 滤波/图优化/因子图优化

"滤波"

滤波的方法中常见的是扩展卡尔曼滤波、粒子滤波、信息滤波等方法;
熟悉滤波思想的应该容易知道这类SLAM问题是递增的、实时的处理数据并矫正机器人位姿。
比如基于粒子滤波的SLAM的处理思路是假设机器人知道当前时刻的位姿，利用编码器或者IMU之类的惯性导航又能够计算下一时刻的位姿;
然而这类传感器有累计误差，所以再将每个粒子的激光传感器数据或者图像特征对比当前建立好的地图中的特征，挑选和地图特征匹配最好的粒子的位姿当做当前位姿，如此往复。

"scan match: scan to map, 估计机器人位姿，比用编码器精度高出很多。"

1. 图优化是一次获取所有位姿信息进行优化，因子图优化是逐帧获取逐帧优化，实时且只优化关联帧的位姿信息。

2. 区别在于：
   因子图是增量的处理后端优化，机器人是运动的，不同的边和节点会被不断加入图中。
   每加入一个点，普通图优化是对整个图进行优化，所以比较麻烦和耗时。
   因子图的话相当于是保留中间结果，每加入一个点，对不需要重新计算的就直接用之前的中间结果，对需要重新计算的再去计算。
   以