gmapping和rtab-map slam对比

gampping算法和rtab-map slam算法对比

很开心最近有机会对比slam算法。

1. gmapping

gmapping算法是通过粒子滤波的方法实现，这种方法一般需要大量的粒子来获取好的结果,但这必会引入计算的复杂度;粒子是一个依据过程的观测逐渐更新权重与收敛的过程,这种重采样的过程必然会代入粒子耗散问题(depletion problem), 大权重粒子显著,小权重粒子会消失(有可能正确的粒子模拟可能在中间的阶段表现权重小而消失).
自适应重采样技术引入减少了粒子耗散问题 , 计算粒子分布的时候不单单仅依靠机器人的运动(里程计),同时将当前观测考虑进去, 减少了机器人位置在粒子滤波步骤中的不确定性. (FAST-SLAM 2.0 的思想，可以适当减少粒子数)
2. rtab-slam
rtab-slam算法主要通过通过sift关键点进行匹配，然后估计相机运动，最后通过闭环检测减少误差。实验平台如下，对比结果如下，可以看出使用rtab-map slam算法对减少了地图匹配误差，并且边界明显。左边是gmapping,右边是rtab-map slam。