激光SLAM各开源算法的优缺点对比

激光SLAM（simultaneous localization and mapping）是同时定位与地图构建技术的简称，它利用激光雷达准确测量障碍点的角度与距离，实现无须预先布置场景的定位与建图。激光SLAM开源算法有多种，每种算法都有其独特的优缺点。以下是一些常见的激光SLAM开源算法及其优缺点概述：

一、基于滤波器的激光SLAM算法

1. EKF-SLAM（扩展卡尔曼滤波SLAM）

   • 优点：使用最大似然算法进行数据关联。
   • 缺点：计算量复杂，鲁棒性较差，构建的地图是特征地图而非栅格地图，无法应用于导航避障。

2. FastSLAM

   • 优点：将SLAM问题分解成机器人定位问题和基于已知机器人位姿的构图问题，是最早能够实时输出栅格地图的激光SLAM方案。
   • 缺点：
     • 对于大尺度环境，若里程计误差较大，需要较多粒子来表示机器人位姿的后验概率分布，严重消耗内存。
     • 由于重采样的随机性，随着重采样次数增多，粒子多样性散失，粒子耗散问题会严重影响地图的构建。

3. Gmapping

   • 优点：以FastSLAM方案为基本原理，在较小的环境中能实现较好的建图效果，是目前使用最为广泛的2D激光SLAM方案。
   • 缺点：
     • 在里程计模型传播时，对所有的粒子同等对待，优的粒子在传播时可能变成差的粒子，粒子退化问题严重。
     • 非常依赖于里程计信息，构建的地图也取决于里程计的精度。

4. Optimal RBPF

   • 优点：在里程计模型传播时，一个粒子每次传播会得到N个粒子，在N个粒子里面选择最优粒子作为此次的真实传播，大大减少最优粒子退化为噪声很大的粒子情况。
   • 缺点：信息未详细列出。

二、基于图优化的激光SLAM算法

1. Karto SLAM

   • 优点：认识到了系统稀疏性，在一定程度上替代了基于滤波器的激光SLAM方案。
   • 缺点：
     • 采用局部子图匹配之前都要构建子图，耗费时间较长。
     • 若采用全局匹配方法，则在搜索范围大的时候速度会变慢。

2. Cartographer

   • 优点：
     • 是谷歌开源的一个支持ROS的室内SLAM库，持续更新维护。
     • 代码工程化，多态、继承、封装完善，提供了方便的接口，便于接入多种传感器。
     • 支持2D和3D激光雷达的输入，实现机器人定位，并构建栅格地图。
   • 缺点：
     • 没有对闭环检测结果进行验证，在几何对称的环境中容易引起错误的闭环。
     • 3D部分更像是2D的扩展，即用2D的思路去做3D的事情。

3. Hector-SLAM

   • 优点：
     • 利用高斯牛顿方法解决前端扫描匹配问题。
     • 不需要里程计数据，里程计信息通过激光雷达数据估算出来。
   • 缺点：
     • 对初值敏感，难以处理闭环问题。
     • 在ROS仿真环境中，若机器人速度过快尤其是在强旋转时，会发生漂移现象。
     • 对传感器的测量频率要求较高。

三、其他激光SLAM算法

1. LOAM

   • 优点：
     • 张吉等人在RSS期刊上发表的关于三维激光传感器的SLAM算法。
     • 提出了新颖的特征提取方式，即角点和面点。
     • 融合了scan to scan（里程计部分）和map to map（建图部分）的思想。
   • 缺点：
     • 没有回环检测模块。
     • 不能处理大规模的旋转变换。
     • 计算时间复杂度较高，基于三维空间中的位姿进行优化。

2. Lego-LOAM

   • 优点：
     • 以LOAM为框架衍生出的新算法，主要在于轻量级和地面优化。
     • 对LOAM进行改进，使其能在TX2上实时运行。
   • 缺点：
     • 依赖地面，对于无人机等难以确定地面的场景不适用。

3. LIO-SAM

   • 优点：
     • Lego-LOAM的扩展版本，添加了IMU预积分因子和GPS因子。
     • 使用了关键帧进行匹配，提高了计算效率。
   • 缺点：信息未给出。

4. hdl_graph_slam

   • 优点：
     • 能同时融合GPS、IMU和Lidar三种传感器。
     • 代码架构简单，适合对整个SLAM架构的学习。
     • 平面检测和平面约束是其特色。
   • 缺点：
     • 不适合有坡道的场景建图。

5. S-LOAM

   • 优点：
     • 旨在解决森林环境中的SLAM问题，提出了一种基于位姿优化的语义特征。
   缺点：信息未详细列出。

   1. 除了之前提到的Cartographer、hdl_graph_slam、LOAM、Lego-LOAM、LIO-SAM、S-LOAM等开源激光SLAM算法外，确实还存在其他多种开源的激光SLAM算法。以下是一些额外的开源激光SLAM算法及其简要介绍 ：

   2. FAST-LIO2
      • 特点：这是一种快速且紧耦合的稀疏直接激光雷达惯性里程计，它结合了激光雷达（Lidar）和惯性测量单元（IMU）的数据，实现了高精度的定位和建图。
      • 优点：计算效率高，能够在资源受限的平台上实时运行。
   3. LVI-SAM
      • 特点：LVI-SAM是一种紧耦合的激光雷达-视觉-惯性系统，它融合了激光雷达、相机和惯性测量单元的数据，提供了鲁棒且准确的定位和建图能力。
      • 优点：能够在复杂环境中稳定运行，适用于多种传感器配置。

   4. 这些开源的激光SLAM算法各有特色，适用于不同的应用场景和需求。在选择算法时，需要根据具体的应用场景、传感器配置和计算资源等因素进行综合考虑。同时，也需要注意算法的更新和维护情况，以确保其稳定性和可靠性。

   5. FAST-Livo
      • 特点：这是另一种结合了激光雷达、IMU和相机的紧耦合里程计，它采用了稀疏直接法来处理图像和激光雷达数据。
      • 优点：能够在低计算成本下实现高精度的定位和建图。
   6. R3LIVE
      • 特点：R3LIVE是一种鲁棒的实时激光雷达惯性视觉里程计，它结合了激光雷达、惯性测量单元和可选的视觉信息，提供了强大的定位和建图能力。
      • 优点：对光照变化、动态物体和复杂场景具有鲁棒性。
   7. ImMesh
      • 特点：ImMesh是一种基于隐式移动最小二乘（Implicit Moving Least Squares）的激光SLAM算法，它专注于构建高质量的网格地图。
      • 优点：能够生成平滑且准确的网格地图，适用于需要高精度地图表示的应用场景。
   8. livox-loam 和 Livox-Mapping
      • 特点：这两种算法都是针对Livox激光雷达设计的，提供了针对该类型激光雷达的优化定位和建图能力。
      • 优点：能够充分利用Livox激光雷达的特性，实现高精度的定位和建图。
   9. LIO-Livox
      • 特点：这是另一种针对Livox激光雷达设计的紧耦合激光雷达惯性里程计。
      • 优点：结合了激光雷达和惯性测量单元的数据，提供了高精度的定位和建图能力。
   10. Point-LIO
       • 特点：Point-LIO是一种基于点云的激光雷达惯性里程计，它利用点云数据来实现定位和建图。
       • 优点：能够处理大规模的点云数据，适用于需要高精度地图的应用场景。
   11. PV-LIO&VoxelMap
       • 特点：PV-LIO结合了体素地图和激光雷达惯性里程计，提供了高精度的定位和建图能力。
       • 优点：能够构建高质量的体素地图，适用于需要精确地图表示的应用场景。