激光SLAM放弃指南1：初识激光SLAM

参考链接：
bilibili的SLAM课程
link 李太白的从零开始搭二维激光SLAM

SLAM的基础知识

SLAM(simultaneous localization and mapping)的中文翻译为 同步定位与地图构建。目的有2个，一个是进行定位，一个是进行周围环境的地图的构建，二者相互依赖，只有同时进行求解才能够解决这个问题。
静态(三种地图；topological map：环境大，把环境简化成点，两点之间进行连线；metrical:尺度跟现实世界对应的，现实1米 地图1米(滤波器和图优化的构建)；hybrid : 混合地图,在初始全局路径规划下，用topological地图规划。在局部路径规划下，用metrical规划。 )和动态（低：环境变化机器人看不出来（建图过程中移动了一个家具）和高：建图过程中有人在走动等）

SLAM的三个模块

slam分为三个模块，前端里程计模块，后端优化模块，以及回环检测模块。

前端里程计

通过编码器来测量轮子具体走了多远，里程计就是为了测量机器人从开始到现在走了多远，与初始位置处的相对距离和相对位资。用 Imu看角度 用轮式里程计看距离 wheel odometry；激光雷达 lider。激光slam只能输出两种地图 覆盖珊格地图(更多，对环境区分的很清楚)和点云地图。
对于激光SLAM来说，激光雷达的频率一般是10Hz-40Hz之间。我只要确定第一帧雷达数据与第二帧雷达数据的时间间隔内，机器人走了多远，再确定第二帧到第三帧雷达数据的时间间隔内，机器人走了多远（位姿变换），依次类推，我们就可以一直确定机器人到底走了多远，确定机器人当前的位姿与初始时刻的相对位姿。
数据的预处理非常重要：轮式里程计的标定（离线标定，在线标定（有载重的，轮子要重新标定，实时标定轮式里程计）），激光雷达运动畸变去除（），不同系统之间的时间同步(odom MCU->发送给PC 会产生一个延时，在导航的时候会有影响。

具体实现方法

求前一帧雷达数据到当前帧雷达数据间的位资变换，这个过程一般成为扫描匹配（scan-matching）过程。2D激光SLAM的输入 IMU数据；里程计数据；2D雷达数据；输出：覆盖珊格地图(室内环境用的最多)，机器人的轨迹 or PoseGraph;
目前的扫描匹配方法为:
scan-to-scan：雷达数据与雷达数据进行匹配
scan-to-map：雷达数据与地图进行匹配
scan-to-submap：雷达数据与子地图进行匹配
map-to-map：地图与地图进行匹配
其中 ：Scan-to-Scan (被淘汰了);Scan-to-Map（应用多，）;Map-to-Map（开源的很少见，把当前最近的N帧激光，做一个匹配。增加信息量，缓解激光雷达信息量太少的问题。）

后端优化

后端优化意义

不管是编码器得到的里程计还是前端计算出来的里程计，都不是完全准确的。里程计存在误差，这个误差将随着时间的增长而不断增大，当形成闭环之后会产生误差，当误差项存在之后，才可以优化。

后端优化

通过图结构，将机器人的各个位资以及生成的地图数据，进行联合优化，通过优化求解，将所有的误差平均分散到每个机器人位资以及每个地图数据上，当优化过程十分完美的时候，这些误差可以减小到非常小的地步。

回环检测

既然会通过后端优化来减小位资，并且通过回环检测来对优化的方程来进行约束。
我们可以将这个约束，输入到后端优化过程中，当做一个新的并且十分强烈的约束，通过这个强烈的约束，当我们进行优化完成后，能够大幅度的进行误差的消除
帧间匹配算法：ICP(误差点对点，因为点太多了，点匹配错误)；PI-ICP（误差点对线,实际使用更好）;NDT(2D很少用);CSM(08年出现，目前最主流；缺点：运算大；优点：不会陷入局部…极值中).在gitub上面搜CSM ，最多的就是这个pi-icp。
9. 2D激光SLAM的帧间匹配方法：PI-ICP；CSM（受限于精度）；梯度优化方法(hector,把一个建模问题，解决成优化问题。对初值敏感)；state of art:CSM+梯度优化(cartographer)CSM做粗搜索，梯度优化精细化；
10.回环检测：Scan-to-Map;Map-to-Map;Branch and Bound &Lazy Decision(分值定界 速度比较快),Lazy Decision可以优化回环问题，因为激光信息太少，所以回环问题。Cartographer 在几何环境相似的时候，很容易回环出错。

历史与未来

3D激光SLAM发展： LOAM纯激光，匀速运动假设，无回环(开源)。V-LOAM-视觉激光融合，漂移线性性11假设，无回环。VELO视觉激光融合，无运动畸变假设，有回环。
3D与视觉融合：3D激光雷达为视觉特征提供深度信息；视觉辅助激光雷达进行运动畸变去除；视觉辅助回环检测；视觉提供精确里程信息。
2D激光SLAM中的问题：①退化环境（走廊建图会变短）；②地图的动态更新（环境变了地图要更新）；③全局定位（用视觉解决）；④动态环境定位（）;
基于滤波器Filter-based SLAM：没有办法修复累计误差。只估计当前位姿。跟besed很像。Gampping,当环境大的时候，建图失败的几率太高。过程 ①状态预测，②测量预测，③进行测量，④数据关联，⑤状态更新，地图更新。
基于滤波器Filter-based SLAM：Gampping 07年 它的粒子在传播的时候，所有粒子一视同仁，非常依赖于里程计；Optimal RBPF 10年已经没有人使用了：在多个粒子中，选一个最优粒子的情况。
Graph-based：基于图优化的算法。Karto slam：效果很好。Cartographer 16年谷歌开源，现在最好 。回环检测 map-map更好。
实际环境的问题:动态物体，环境变化，全局定位，地面材质的变化(改变轮子半径)，几何结构相似环境，地面凹凸不平，建图的操作复杂，机器人载重的改变。
激光SLAM要跟视觉融合起来，视觉提供：高精度的里程信息，信息量丰富的视觉地图。视觉白墙麻烦。