SLAM综述之Lidar SLAM

SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。
本系列文章主要分成四个部分：
在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。
第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。
第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。
第四部分中，将介绍激光雷达与视觉的融合。

在1990年，[1]首次提出使用EKF（扩展卡尔曼滤波器）来逐步估计机器人姿态的后验分布以及地标点的位置。实际上，机器人从未知环境的未知位置开始，通过反复观测运动过程中的环境特征来定位自身的位置和姿态，然后根据自身的位姿都建周围环境的增量图，从而达到同时定位和地图构建的目的。

实际上 定位问题是近年来非常复杂且热点的问题。定位技术取决于环境对成本，准确性，定位频率和鲁棒性的需求，这可以通过GPS（全球定位系统），IMU（惯性测量单元）和无线信号等来实现[2]。但是GPS只能在室外工作，IMU系统具有累积误差。无线技术作为一种主动系统，无法在成本和准确性之间取得平衡。随着快速的发展，配备激光雷达，摄像头，IMU和其他传感器的SLAM近年来兴起了。从基于过滤器的SLAM开始，基于图的SLAM现在起着主要作用。该算法从KF（卡尔曼滤波器），EKF和PF&