Cartographer论文精读-Real-Time Loop Closure in 2D LIDAR SLAM

Real-Time Loop Closure in 2D LIDAR SLAM
这篇论文是16年5月发表的，虽然时间比较久，但是很经典， 对于了解整个cartographer代码有很大帮助。第一次看这个论文的时候觉得很抽象，所以学习的过程 也是一个不断填坑的过程。如果有理解不到位的地方，欢迎评论区留言哦~

摘要：

摘要中 提到LIDAR传感器和SLAM方法是 获取 平面 竣工图的有效方法。提取出四个重点就是：
①构建便携式平台-在有限的计算资源下运行；
②构建分辨率为5cm的栅格地图，并进行实时构图和 闭合回路；
③为了达到实时效果，采用分枝定界进行加速。
④实验表明，本文方法具有竞争力。

Introduction：

建议参看cartographer官网流程图：
https://google-cartographer.readthedocs.io/en/latest/

传感器输入
①激光雷达数据， 经过网格/体素滤波，就是2D和3D的区别，（size是体素的长度，fixed size是指 这一次的体素滤波是边长固定的）-再经过自适应体素滤波（是因为需要根据配置文件设置options）这样两次滤波的目的是较少一部分的数据量。

②里程计和IMU数据，这个IMU数据，经过imu tracker（计算重力加速度的方向-比如在论文中的使用的背包进行测量-需要求解roll和pitch） 之后和里程计的数据进行融合， 再结合local slam中的scan matching 一起来实现位姿的插值（pose extrapolator保留一段时间的位姿用来计算线速度和角速度，然后用计算得到的线速度和角速度来位姿插值-去除运动的畸变）

local部分（也就是前端）
③接收处理后的输入数据，对激光数据进行scan matching ，scan matching通过匹配lidar数据得到一个位姿，将当前帧激光插入到子图当中。如果传感器没有运动，是静止状态，那这一帧数据需要去除）这样一帧一帧的激光数据处理，我们不断更新得到子图。

global SLAM（后端）
这部分主要是一个回环检测，后端优化，在这其中提到了加速的方法采用的分枝定界法。

tips：
前端Local部分就是构建一系列的栅格子图，然后新的激光scan通过CSM的方法插入子图的最佳位置；后端-构建回环来消除子图之间匹配的误差，其实就是一个优化问题。

Related work**

在这部分，这要提到几种常用的扫描匹配的方法，以及他们的优缺点
①针对scan to scan ，激光帧之间的匹配，常用的方法是ICP PL-ICP，方法，但是这两种方法容易陷入局部极值，如果针对大场景的时候，计算的相对位姿 误差累计会很明显。

②而本文采用的是scan to map matching可以限制减小误差的积累，采用CSM的方法（相关匹配-其实也是一个暴力搜索，但是它构建的是似然场模型，不会陷入极值，这个CSM可以理解为在较粗糙的层面下进行的，之后需要再加一个梯度优化进行精细的搜索，如果采用G-N的话，寻找线性插值映射上的局部最优解。需要一个良好的初值，可以采用起始位置用高频率的激光数据，或者3D环境，初始位姿用IMU给出&#