开源slam整理

罗列一些开源slam算法，有的特别耳熟能详的没写出来。如LOAM，cartographer等。

1：激光类

该文档聚焦多传感器融合 SLAM，涵盖激光 - 视觉 - 惯性、激光 - 惯性、视觉 - 惯性增强及 GPS 融合等算法，核心内容如下：

1：单纯激光类

算法 / 类别	特点	开源地址
激光主导算法
CT-ICP	连续时间建模，B 样条轨迹拟合解决运动畸变，剧烈运动场景误差比传统 ICP 降 50%。KITTI上显示运算耗时较短	https://github.com/jedeschaud/ct_icp
Traj-LO	纯雷达 构建简单有效的连续时间轨迹模型，从而紧密耦合几何信息与运动平滑性约束‌	https://github.com/kevin2431/Traj-LO
GLIM	手动优化；GPU加速；	https://github.com/koide3/glim
KISS-ICP	点到点ICP；雷达slam；实时性高	https://github.com/PRBonn/kiss-icp
PIN-SLAM	激光雷达与RGB-D相机;python;GPU ;kitti -20	https://github.com/PRBonn/PIN_SLAM
SiMpLE	NDT；只匹配；代码轻量化且内存占用低；kitti-17	https://github.com/vb44/SiMpLE
FAST-LIO 系列	基于 IKFoM，适用于室外高速机器人，M2DGR 数据集定位精度提升 61.9%；FASTER-LIO 引入增量体素地图降低内存。	-
FAST-LIO2	高效激光 - 惯性里程计，iKD-Tree 加速搜索，多线程并行计算，适用于资源受限平台，处理速度达 100Hz。	https://github.com/hku-mars/FAST_LIO
FASTER-LIO	高效激光 - 惯性里程计，ivox点云存储。	https://github.com/gaoxiang12/faster-lio
Point-LIO	逐点LIO框架，极高频率；是随机过程增强的运动学模型，将IMU测量作为输出建模。应对激烈运动场景。	https://github.com/hku-mars/Point-LIO
funny_lidar_slam	支持多种imu、多种优化方法	https://github.com/zm0612/funny_lidar_slam

https://github.com/zhan994/faster-lio_detailed

2：深度学习激光

该文档聚焦深度学习与激光 SLAM 结合的算法，优化动态处理、特征提取等：

算法名称	特点	开源地址
SuMa++	基于 SuMa 框架，集成 RangeNet++/SqueezeSegv3 语义分割，剔除动态物体点云，语义辅助回环检测，支持大规模场景。	https://github.com/PRBonn/suma_plus_plus
LOAM-Livox	适配 Livox 非重复扫描雷达，神经网络预测点云运动模糊，优化低帧率雷达位姿估计，支持与 IMU 紧耦合。	https://github.com/Livox-SDK/LOAM_Livox
C-LOAM	动态场景鲁棒激光 SLAM，两阶段深度学习分割静态 / 动态物体，仅用静态点云计算位姿，误差比传统 ICP 降 30%+。	https://github.com/Yaepiii/C-LOAM
OverlapNet	孪生网络学习点云重叠区域相似性，生成全局位置描述子，抗视角变化与遮挡，适合大规模场景定位。	https://github.com/PRBonn/OverlapNet/
HDL-Graph-SLAM	模块化框架，支持多激光雷达，集成深度学习前端（如点云配准网络），便于二次开发。	https://github.com/koide3/hdl_graph_slam
4DMOS	4D 卷积提取点云时空特征，贝叶斯滤波实时识别动态障碍物，处理大面积遮挡场景优于几何方法。	https://github.com/PRBonn/4DMOS
SLAMesh	港科大网格实时 SLAM，CPU 构建拓扑一致三角网格地图，替代点云 / 体素，40Hz 实时，适合资源受限平台。	https://github.com/lab-sun/SLAMesh
LT-Mapper	终身动态建图，分解为多会话 SLAM、动态检测与地图管理，锚节点对齐轨迹，增量地图减少存储，支持长期更新。	https://github.com/gisbi-kim/lt-mapper
TurboReg	最大团优化替代暴力搜索，配准速度提升 200 倍，精度达 SOTA，单帧处理 < 5ms，兼容多源点云。	https://github.com/Laka-3DV/TurboReg

2：视觉类

算法 / 类别	特点	开源地址
视觉 - 惯性增强混合算法
ORB-SLAM3（扩展版）	集成激光深度辅助视觉特征匹配，支持多地图切换与闭环检测，EuRoC 双目 - 惯性模式 RMSE 仅 1.2cm。	https://github.com/UZ-SLAMLab/ORB_SLAM3
PL-VINS	点线融合，结合线特征与 IMU 预积分，弱纹理环境定位误差比 VINS-Mono 降 24%。	-
融合 GPS 算法
GVINS	视觉 - 惯性 - GNSS 紧耦合，因子图优化，支持多卫星系统，GNSS 信号间歇时仍稳定。	https://github.com/HKUST-Aerial-Robotics/GVINS
浙大 GPS/Visual/INS 算法	EKF 融合 GPS 与 IMU 数据，作为视觉 SLAM 初始位姿，图优化联合多帧，定位误差比纯视觉惯性方案降 40%。	论文：https://wap.cnki.net/touch/web/Dissertation/Article/10335-1017051032.nh.html
AdaBoost 优化的 MIMUs/GPS 算法	用 BP 神经网络预测 GPS 失锁时 MIMUs 误差，辅助卡尔曼滤波，50 秒失锁期位置误差减 25%。	论文：《电光与控制》2018 年第 12 期
松耦合 EKF 融合（IMU+GPS）	扩展卡尔曼滤波融合，注重四元数处理与时间同步，适合自动驾驶。	参考：https://download.csdn.net/download/qRZQaOqFbIVs/90578001
群调度滤波算法（GPS/INS）	群调度策略平衡精度与计算时间，航空场景精度提升 87%，耗时减 30%。	论文：《中国安全生产科学技术》2020 年第 10 期
其他
VILO	视觉 - 惯性 - 腿里程计，适用于 Unitree A1 和 Go1 机器人。	https://github.com/ShuoYangRobotics/Cerberus.git
VoxelMap++	轻量化体素地图管理，内存占用减少 30%，支持非平面地形。	https://github.com/uestc-icsp/VoxelMapPlus_Public

1：大场景视觉

该文档聚焦大场景视觉 SLAM 算法，涵盖多传感器融合、协同建图、高效场景表示等技术：

算法名称	特点	开源地址
ORB-SLAM3	支持多地图系统（Atlas）实现千米级建图，多传感器融合应对尺度漂移，KITTI 里程计排名前 5（00 序列误差 < 0.6%）。	https://github.com/UZ-SLAMLab/ORB_SLAM3
VINS-Fusion	视觉 - 惯性紧耦合优化，GPS / 视觉融合校正全局位姿，10km 城市道路位置误差 < 0.1%，支持 4K 实时处理。	https://github.com/HKUST-Aerial-Robotics/VINS-Fusion
COVINS	多机器人协同大场景建图，分布式优化架构支持跨设备地图合并，4 台无人机效率提升 300%，1.2 万㎡博物馆重建完整度 95%。	https://github.com/VIS4ROB-lab/covins
VINGS-Mono	单目惯性高斯溅射 SLAM，处理 5000 万高斯椭球的大规模城市场景，NVS 闭环检测修正地图，动态滤波器应对室外干扰。	https://vings-mono.github.io/
PLGSLAM	大型室内场景专用，渐进式场景表示（动态划分局部场景），局部 - 全局捆绑调整消除累积误差，实时重建平滑。	https://github.com/dtc111111/plgslam
Voxel-SLAM	GPU 加速多级体素地图管理，支持室内外无缝切换，结合语义分割压缩点云，16km² 场景内存仅 1.2GB。	https://github.com/hku-mars/Voxel-SLAM
SplaTAM	3D 高斯溅射 RGB-D SLAM，支持 400FPS 渲染与动态场景更新，重建分辨率 876×584，适用于沉浸式重建。	https://github.com/spla-tam/SplaTAM
DROID-SLAM	迭代稠密束调整层优化位姿与深度，支持单目 / 双目 / RGB-D 输入，ETH3D 大规模场景重建排名第一，泛化性强。	https://github.com/princeton-vl/DROID-SLAM

2：轻量视觉

该文档聚焦轻量化视觉 SLAM 及边缘计算优化，适合资源受限设备：

算法名称	特点	开源地址
ORB-SLAM3	多传感器支持（单目 / 双目 / RGB-D），模块化设计（跟踪 / 建图 / 回环分离），CPU 占用 < 15%（树莓派 4B），ROS 2 接口适配边缘设备。	https://github.com/UZ-SLAMLab/ORB_SLAM3
SVO	半直接法（混合直接法与特征点法），帧率 100Hz（640×480），代码库 2MB，内存 < 50MB，适合 MCU 级设备（如 STM32H7）。	https://github.com/uzh-rpg/rpg_svo
SVO_edgelet	SVO 改进版，移除 ROS 依赖，优化关键帧策略，自动模型选择与并行化计算，提升 ARM 设备（如树莓派）效率。	https://github.com/HeYijia/svo_edgelet
DROID-SLAM	Transformer 架构动态分配计算资源，自适应分辨率（320×240），推理速度提升 3 倍（NVIDIA Xavier），动态场景误差降 30%。	https://github.com/princeton-vl/DROID-SLAM
PiSlam	专为树莓派设计，优化 ORB 特征检测，NEON 指令集加速，简化 Harris 评分，树莓派 3 单帧检测 8.4ms。	https://github.com/weixr18/Pi-SLAM；https://github.com/Immortalqx/pi-slam-fusion
LSD-SLAM	半稠密直接法，基于光度一致性约束，CPU 实时建图，适合低纹理环境，通过概率深度滤波优化。	https://github.com/tum-vision/lsd_slam
AirSLAM	点线特征融合，TensorRT 加速 PLNet 特征提取，Jetson Nano 实现 40Hz 定位，动态场景误差 < 1%。	https://github.com/sair-lab/AirSLAM
DXSLAM	深度特征 SLAM，集成 HF-Net 提取关键点，FBoW 词袋与 OpenVINO 加速，无 GPU 设备实时闭环检测（初始化 40ms）。	https://github.com/ivipsourcecode/dxslam
VINS-Mobile	VINS 轻量移植版，针对手机 ARM 优化，IMU 预积分 + 滑动窗口优化，功耗 < 1W。	https://github.com/HKUST-Aerial-Robotics/VINS-Mobile
DynaSLAM-Lite	DROID-SLAM 轻量化分支，MobileNet 替换 Mask R-CNN，动态物体剔除延时 15ms（Jetson TX2）。	https://github.com/BertaBescos/DynaSLAM
DSO	直接法稀疏 SLAM，光度误差优化位姿与深度，逆深度参数化，Jetson TX2 单目实时定位。	https://github.com/JakobEngel/dso
OKVIS	紧耦合视觉 - IMU，滑动窗口优化，边缘化旧关键帧，Jetson AGX Xavier 实现 50Hz 实时运行。	https://github.com/ethz-asl/okvis
LDSO	直接法 + 稀疏优化，无需特征提取，自动选择 5-10% 关键像素，Jetson Nano 30fps，内存 < 300MB。	https://github.com/tum-vision/LDSO
OpenVINS	MSCKF 框架，支持单目 / 双目 / IMU，固定滞后平滑器替代全局优化，STM32MP1 20fps，功耗 < 2W。	https://github.com/rpng/open_vins
TartanVO	端到端 VO，MobileNetV3 替代 ResNet，模型 3.5MB，INT8 量化推理速度提升 3 倍，骁龙 865 60fps。	https://github.com/castacks/tartanvo

算法名称	特点	开源地址
边缘 SLAM
Edge-SLAM	ORB-SLAM2 边缘优化版，支持 MQTT 协议与云端协同。	https://github.com/droneslab/edgeslam
TinySLAM	MCU 轻量实现，仅需 32KB RAM。	https://github.com/OSLL/tiny-slam-ros-cpp
SwarmMap	多代理协作 SLAM，分布式计算，Jetson 集群支持 20 + 代理，轨迹误差 < 38cm。	https://github.com/MobiSense/SwarmMap
Jetson-SLAM	Jetson 平台 GPU 加速，PyCA 技术优化特征提取，432×240 分辨率下 60Hz + 帧率。	https://github.com/ashishkumar822/Jetson-SLAM

3：深度学习视觉

该文档聚焦深度学习与视觉 SLAM 结合的算法，涵盖端到端、动态处理等：

算法名称	特点	开源地址
DeepVO	端到端视觉里程计，CNN+LSTM 直接从 RGB 帧预测 6-DoF 位姿，解决低纹理场景漂移。	https://github.com/ChiWeiHsiao/DeepVO-pytorch
CNN-SLAM	CNN 预测单目深度图与 LSD-SLAM 结合，实时生成稠密深度图，提升单目尺度一致性。	https://github.com/iitmcvg/CNN_SLAM
DynaSLAM	基于 ORB-SLAM2，集成 Mask R-CNN 检测动态物体并剔除，提升静态场景定位精度。	https://github.com/BertaBescos/DynaSLAM
TANDEM	单目深度估计网络（如 Monodepth2）与直接法结合，实时构建全局一致稠密 3D 地图。	https://github.com/tum-vision/tandem
DeepFactors	概率稠密 SLAM，VAE 学习场景表示（几何 + 外观），支持高效回环检测。	https://github.com/jczarnowski/DeepFactors
BoW3D	3D 特征 + BoW 技术优化闭环检测，减少大规模场景累计误差，适用于 RGB-D/LiDAR SLAM。	https://github.com/YungeCui/BoW3D
MobileNeRF	移动端优化 NeRF，速度比传统快 10 倍，轻量网络 + WebGL 加速，支持 Android/iOS/Web。	https://mobile-nerf.github.io/
XRDSLAM	支持 NeRF 和 3D 高斯泼溅等新型场景表示技术。	https://github.com/openxrlab/xrdslam
VINet	融合视觉与 IMU，CNN 处理图像 + RNN 融合时序 IMU，KITTI 实现厘米级位姿估计。	https://github.com/HTLife/VINet
SC-SfMLearner	无监督单目深度与运动估计，引入几何一致性损失提升动态场景鲁棒性。	https://github.com/JiawangBian/SC-SfMLearner-Release
GO-SLAM	3D 高斯表示 + 物体级语义分割，实现动态物体剔除与场景交互式编辑。	https://github.com/youmi-zym/GO-SLAM
BA-Net	神经网络替代传统 BA 优化，设计可微分 LM 算法层，联合训练前端深度与后端优化。	https://github.com/frobelbest/BANet
SuperGlue-SLAM	集成 SuperPoint（特征点提取，能抵抗低纹理环境）+SuperGlue（图神经网络匹配特征点），匹配正确率比 ORB-SLAM 提升 60%，动态特征自动剔除。	SuperPoint：https://github.com/magicleap/SuperPointPretrainedNetwork；SuperGlue：https://github.com/magicleap/SuperGluePretrainedNetwork
LightGlue	特征点匹配算法，说是比SuperGlue强一些	https://github.com/cvg/LightGlue.git

4：视觉语义

该文档聚焦视觉语义 SLAM，融合语义信息提升定位与建图鲁棒性：

算法名称	特点	开源地址
Kimera2	Kimera 改进版，增强特征跟踪、关键帧选择，支持多模态输入（单目 / 双目 / RGB-D 等），优化回环检测抗虚假匹配。	https://github.com/mit-asrl/kimera
SlideSLAM	稀疏轻量去中心化框架，数据驱动前端实例分割（RGBD / 激光雷达），语义驱动回环检测，支持多机器人协同。	https://github.com/uzh-rpg/slideslam
ORB_SLAM2_SSD_Semantic	集成 SSD 目标检测、光流动态物体检测与 Octomap 语义地图，支持动态环境稠密重建与目标数据库构建。	https://github.com/Ewenwan/ORB_SLAM2_SSD_Semantic
CubeSLAM	物体级 SLAM，立方体参数化物体，联合优化相机位姿 + 物体位姿 + 地图点，定位精度提升 23%，动态物体跟踪精度 82.1%（KITTI）。	https://github.com/shichaoy/cube_slam
Kimera-Semantics	实时语义网格重建，融合 VIO 与 3D 语义分割，无人机平台 10Hz 建图，语义标注准确率 89.4%，内存比 ElasticFusion 低 40%。	https://github.com/MIT-SPARK/Kimera-Semantics
DSP-SLAM	动态场景语义 SLAM，集成实例分割与运动分割，TUM 动态数据集 ATE 1.7cm（ORB-SLAM2 的 3.2 倍），支持 CAD 模型替换。	https://github.com/JingwenWang95/DSP-SLAM
SemanticFusion	ElasticFusion+CNN 语义分割融合，NYUv2 体素级语义标注精度 83.6%，支持 80 类 COCO 物体实时检测。	https://github.com/seaun163/semanticfusion
QQ-SLAM	神经隐式 SLAM，查询量化减少输入方差加速优化，重建质量比 NICE-SLAM 提升 34%，支持实时语义地图。	https://github.com/machineperceptionlab/qq-slam
Semantic_SLAM	融合 ORB 特征、GPS 及地标语义（如 Google 地图 POI），构建带拓扑关系的语义地图，适用于大型户外导航。	https://github.com/1989Ryan/Semantic_SLAM

5：新兴

算法名称	特点	开源地址
NeRF（Neural Radiance Fields）	作为基于隐式表示的三维重建算法，NeRF 通过神经网络建模场景的辐射场（颜色 + 密度），仅需多张无序图像即可生成具有真实感的三维场景，支持任意视角渲染。其核心是利用体素采样和光线追踪技术，将 2D 图像特征映射到 3D 空间，解决了传统 SLAM 中纹理缺失或动态物体导致的重建误差问题。但原始 NeRF 训练速度慢（需数小时），且对输入图像数量和视角多样性要求较高。	https://github.com/NVlabs/instant-ngp； 加速优化算法：https://github.com/NVlabs/instant-ngp
3DGS（3D Gaussian Splatting）	作为 NeRF 的替代方案，3DGS 通过三维高斯分布表示场景点云，结合光栅化技术实现实时渲染（帧率可达 100+ FPS）。相比 NeRF，它保留了隐式表示的真实感，同时解决了动态场景重建中物体运动导致的模糊问题，支持动态物体掩码分离与独立跟踪。此外，3DGS 的模型体积更小，适合嵌入式设备部署，但在超远距离场景的细节重建精度略逊于 NeRF。	https://github.com/graphdeco-inria/gaussian-splatting https://github.com/MrNeRF/awesome-3D-gaussian-splatting
Neural-SLAM	融合神经网络与传统 SLAM 框架，通过 CNN 提取图像特征，LSTM 预测相机姿态，同时构建隐式场景表示（如占用网格或辐射场）。相比传统视觉 SLAM（如 ORB-SLAM），NeuralSLAM 对光照变化、动态物体的鲁棒性更强，且无需人工设计特征点，但计算量较大，实时性依赖 GPU 加速。	https://github.com/devendrachaplot/Neural-SLAM
Bundle-Adjusting Neural Radiance Fields（BARF）	结合光束平差（Bundle Adjustment）与 NeRF，在优化相机姿态的同时重建场景辐射场，解决了 NeRF 对初始相机位姿敏感的问题。适用于输入图像位姿噪声较大的场景（如手机拍摄的无序图像），重建精度比原始 NeRF 提升 15%-30%，但训练过程更复杂。	https://github.com/chenhsuanlin/bundle-adjusting-NeRF
OpenGS-SLAM	纯RGB输入支持无界户外场景，通过点图回归网络实现帧间一致性位姿估计；3DGS渲染与位姿联合优化，跟踪误差较传统方法降低90.2%；自适应比例映射器解决户外场景尺度漂移问题	https://github.com/3DAgentWorld/OpenGS-SLAM
SceneSplat	支持49K场景的大规模3DGS评估基准，含室内外场景	https://github.com/unique1i/SceneSplat
Gaussian-SLAM	3D高斯泼溅实时渲染，帧率＞30fps（1080p分辨率）联合优化相机位姿与高斯参数，支持RGB-D/纯RGB输入	https://github.com/VladimirYugay/gaussian-slam
XRDSLAM	模块化深度学习SLAM框架 多进程架构：解耦 跟踪、建图、可视化，提升并行效率。集成 NeRF/3DGS SLAM：支持 NICE-SLAM、Vox-Fusion、SplaTAM 等算法。标准化评估：提供 ATE、PSNR、SSIM 等指标，便于对比。适用场景：多传感器融合 SLAM（如 LiDAR+视觉+IMU）算法研究平台（快速验证新方法）	https://github.com/openxrlab/xrdslam
Hier-SLAM	大语言模型（LLM）辅助语义编码：利用 层级类别表示 压缩语义信息，减少存储开销（降至 Log(N) 级别）。高速渲染：支持 2000 FPS（含语义） 或 3000 FPS（无语义） 的实时渲染。可扩展性：适用于 500+ 类语义场景，在复杂环境中仍能高效运行。优化策略：采用 层内（inter-level）和跨层（cross-level）联合优化，提升语义理解能力	https://github.com/LeeBY68/Hier-SLAM
SEGS-SLAM	引入结构化高斯点云初始化（SEPM）与外观运动嵌入（AfME），抗光照突变；TUM数据集轨迹误差降低9.8% 动态光照环境	https://github.com/leaner-forever/SEGS-SLAM
OpenGS-SLAM	基于Dust3R点图回归网络的自适应尺度匹配器，解决户外无边界场景尺度漂移问题 自动驾驶/无人机	https://3dagentworld.github.io/opengs-slam/
MASt3R-SLAM	两视图重建先验+二阶图优化，15FPS实时稠密建图；未校准相机场景超越ORB-SLAM3 单目低算力设备	https://github.com/rmurai0610/MASt3R-SLAM

3：多传感融合

开源算法

算法 / 类别	特点	开源地址
激光 - 视觉主导算法
FAST-LIVO2	采用 ESIKF 框架，直接处理原始 LiDAR 点云和图像数据，支持实时稠密建图，CUDA 加速优化效率，高速场景定位误差 < 0.3%。	https://github.com/hku-mars/FAST-LIVO2
Gaussian-LIC2	首个激光 - IMU - 相机高斯泼溅（3DGS）SLAM，通过稀疏激光深度监督优化高斯地图，盲区重建误差降 40%，支持动态场景实时渲染。	https://github.com/xingxingzuo/gaussian_lic2
LVI-SAM	激光 - 视觉 - 惯性紧耦合，前端基于 IMU 预积分和视觉特征点，后端因子图优化，室外大场景 ATE 达 5-10cm，支持非重复扫描激光雷达。	https://github.com/TixiaoShan/LVI-SAM
SR-LIVO	光 - 惯性 - 视觉紧耦合，通过扫描重建对齐时间戳提升 LIO 精度，剧烈运动或弱纹理环境表现优于 R3LIVE、FAST-LIVO。	https://github.com/ZikangYuan/sr_livo
RLIVE	LIDAR 惯性 - 视觉融合，含 LIO（构建几何结构）和 VIO（呈现纹理）子系统，结合 LiDAR、IMU 和视觉数据。	https://github.com/hku-mars/r3live
Ground-Fusion++	退化感知的多模态融合框架，自动切换激光/视觉子系统，支持稠密彩色建图。 极端环境（如黑暗、长廊、动态遮挡），鲁棒性极强。	https://github.com/sjtuyinjie/Ground-Fusion2
SDV-LOAM	半直接视觉里程计;实时性挺好；	https://github.com/ZikangYuan/SDV-LOAM
LIMO	深度增强的单目视觉框架；半直接法；实时性好	https://github.com/johannes-graeter/limo
MOLA	多元传感器（2D/3D激光雷达、单目/双目相机、IMU）的即插即用式接入; 解耦（松耦合）	https://github.com/MOLAorg/mola
openvins-GPS	顾名思义	https://github.com/zhouyong1234/open_vins_GPS

RTAB map
RTAB-Map（实时外观基于图的建图）是一种基于RGB-D、立体视觉和激光雷达的图优化SLAM方法，核心依赖增量式外观闭环检测机制。该闭环检测器采用词袋模型（BoW） 来判断新图像源自已知场景位置还是未知区域：当闭环假设被确认后，会向地图的图结构中添加新的约束条件，随后通过图优化器最小化地图中的累积误差。系统内置内存管理策略，可限制用于闭环检测和图优化的场景位置数量，从而在大规模环境中始终满足实时性要求。RTAB-Map可独立使用——搭配手持Kinect、立体相机或3D激光雷达实现6自由度（6DoF）建图；也可部署于搭载激光测距仪的机器人，完成3自由度（3DoF）建图任务。

开源地址：
http://introlab.github.io/rtabmap/
https://github.com/introlab/rtabmap/tree/master

英文术语	中文翻译	核心作用
Graph-Based SLAM	图优化SLAM	将地图表示为“节点（场景位置）+边（位置约束）”的图结构，通过优化减少建图误差，是RTAB-Map的核心框架
Incremental Appearance-Based Loop Closure	增量式外观闭环检测	实时分析新采集的图像特征，判断是否回到已探索过的区域（闭环），解决SLAM的累积漂移问题
Bag-of-Words (BoW)	词袋模型	图像特征的高效匹配算法：将图像拆分为“视觉词汇”（如角点、边缘特征），通过词汇相似度快速判断场景重合度，是闭环检测的核心算法
6DoF / 3DoF	6自由度 / 3自由度	建图维度： - 6DoF（位置x/y/z + 姿态roll/pitch/yaw）：适用于RGB-D/立体相机/3D激光雷达，可实现完整的三维空间建图； - 3DoF（仅姿态roll/pitch/yaw或位置x/y/z）：适用于平面移动机器人+激光测距仪，专注于平面场景建图
Memory Management	内存管理策略	动态限制图中节点数量，避免大规模场景下数据量过大导致实时性下降，是RTAB-Map适配大场景的关键特性

1. 硬件搭配建议：
   • 手持场景：Kinect v2（RGB-D）、Intel Realsense D455（RGB-D）、ZED 2i（立体相机）—— 即插即用，适合室内快速建图；
   • 机器人场景：激光雷达（如Velodyne VLP-16、Livox Mid-40）+ 里程计（IMU/轮式里程计）—— 适用于室外大规模环境或无纹理场景（如仓库、走廊）。
2. 核心优势与适用场景：
   • 优势：实时性强（内存管理优化）、闭环检测鲁棒（BoW模型）、多传感器兼容（RGB-D/立体/激光雷达）；
   • 适用场景：室内导航、机器人巡检、三维场景重建（如室内装修扫描、文物数字化），尤其适合需要长时间运行的大规模环境任务。
3. 与ROS 2的适配性：
   • RTAB-Map提供官方ROS 2包（支持Foxy/Humble/Iron等版本），可直接通过apt install ros-<distro>-rtabmap-ros安装；
   • 支持ROS 2的传感器消息（如sensor_msgs/Image、sensor_msgs/PointCloud2），可无缝对接机器人的传感器数据流，快速集成到ROS 2开发的机器人系统中。

标定

各种标定工具

https://github.com/PJLab-ADG/SensorsCalibration.git

多传感器通用标定工具箱
OpenCalib（上海人工智能实验室）

• 地址：https://github.com/PJLab-ADG/SensorsCalibration
• 特点：支持激光雷达-IMU、相机-IMU、多传感器到车体的标定，提供手动/自动/在线标定工具及基准数据集，被称为"自动驾驶标定代码库的首个全套解决方案"。

calibtoolkit（深蓝学院）

• 地址：https://github.com/calibtoolkit
• 特点：集成单双目相机、相机-激光雷达、激光雷达-激光雷达、激光雷达-IMU标定功能，附带测试数据便于算法验证。

相机-IMU标定
Kalibr（ETH Zurich）

• 地址：https://github.com/ethz-asl/kalibr/wiki/camera-imu-calibration
• 特点：ROS生态中最常用的相机-IMU标定工具，通过样条曲线建模系统姿态，支持滚动快门相机。

Crisp

• 地址：https://github.com/hovren/crisp
• 特点：Python库实现滚动快门相机与陀螺仪的联合标定，输出真实陀螺仪速率、时间偏移及坐标系旋转参数。

激光雷达-相机标定
Autoware Calibration Toolkit

• 地址：https://github.com/JunzWu/Autoware_Calibration_Camera_Lidar
• 特点：ROS兼容工具，需配合nlopt优化库，提供可视化界面调整激光雷达与相机外参。

LiDAR-Camera-Calibration-Tool

• 地址：https://github.com/onePPF/LiDAR-Camera-Calibration-Tool
• 安装：pip install opencv-python open3d && git clone [仓库地址]
• 适配场景：固态雷达直接用同步数据，机械雷达需先生成稠密点云。

手眼标定（机器人领域）
easy_handeye

• 地址：https://github.com/IFL-CAMP/easy_handeye
• 应用：配合Franka机械臂与RealSense D435相机，需修改aruco_ros源码以发布TF信息。

Hydra（2025新开源）

• 特点：无标记RGB-D手眼标定，仅需3个随机机械臂姿态即可实现90%成功率，精度达5mm，ROS 2兼容。

单传感器标定

• OpenCV相机标定：https://gitcode.com/gh_mirrors/opencv31/opencv，提供经典张氏标定法实现，支持鱼眼相机畸变校正。
• 激光雷达到车体标定：OpenCalib中的vehicle_calib模块，解决传感器安装位置误差问题。

激光雷达-IMU标定

项目名称	地址	核心优势
港大LI-Init	https://github.com/hku-mars/LiDAR_IMU_Init	实时校准时间偏移与外参，支持机械/固态激光雷达，无缝集成FAST-LIO2作为初始化模块
浙大LI-Calib	https://github.com/APRIL-ZJU/lidar_IMU_calib	基于B样条的连续时间批量优化，无需人工靶标，在城市环境中实现高精度标定
HIT lidar_imu_calib	https://github.com/chennuo0125-HIT/lidar_imu_calib	专注优化激光雷达-IMU变换中的姿态分量，常将位置参数设为0以简化匹配算法

IMU

EKF
https://github.com/i2Nav-WHU/KF-GINS
https://github.com/cmjang/F4_IMU_Altitude_EKF_Mahony/tree/main
https://github.com/pigknight/studyEKF
https://github.com/Shelfcol/gps_imu_fusion/tree/main?tab=readme-ov-file
https://github.com/zm0612/eskf-gps-imu-fusion?tab=readme-ov-file

IMU标定

工具名称	主要用途	开源库地址
imu_utils	标定IMU的随机误差（如高斯白噪声、随机游走）	https://github.com/gaowenliang/imu_utils
code_utils	imu_utils依赖的代码库	https://github.com/gaowenliang/code_utils
imu_tk	标定IMU的确定性误差（如刻度因子、轴偏差、零偏）	https://github.com/Kyle-ak/imu_tk
Kalibr	多传感器联合标定（如Camera-IMU）	https://github.com/ethz-asl/kalibr

使用imu_utils的详细步骤

使用 imu_utils 标定IMU，主要包含环境准备、数据采集和运行标定三个部分。

环境准备与编译

1. 安装依赖
   在终端中执行以下命令来安装必要的依赖库：

   sudo apt-get install libdw-dev
   

   确保你已经全局安装了 Ceres Solver，因为 code_utils 依赖它。

2. 编译 code_utils

   • 创建一个ROS工作空间（如果还没有的话），并将 code_utils 克隆到 src 目录下。
   • 注意：不要同时将 imu_utils 和 code_utils 放在 src 下编译。必须先单独编译 code_utils，再处理 imu_utils。
   • 进入 code_utils 目录，你可能需要根据你的系统环境对代码进行一些调整，例如：
     • 在 CMakeLists.txt 中，将 C++ 标准设置为 -std=c++14。
     • 在 sumpixel_test.cpp 中，修改头文件包含为 #include "code_utils/backward.hpp"。
   • 编译 code_utils：

     catkin_make
     

3. 编译 imu_utils

   • 在 code_utils 编译成功后，再将 imu_utils 克隆到工作空间的 src 目录下。
   • 同样，可能需要修改其 CMakeLists.txt 中的 C++ 标准为 -std=c++14，并在 imu_an.cpp 中添加头文件 #include <fstream>。
   • 编译 imu_utils：

     catkin_make
     

数据采集

1. 录制数据包：将IMU传感器静止放置在桌面或其他稳定的地方，然后使用 rosbag 记录IMU数据话题。

   rosbag record /your_imu_topic -O imu_static.bag
   

   关键点：
   • 保持静止：整个采集过程中，IMU必须保持完全静止，任何振动都会影响标定结果。
   • 时间要长：通常需要静止采集至少2小时的数据（有时4小时以上效果更好），以获得有效的艾伦方差曲线。
   • 预热：建议让IMU上电运行10分钟后再开始录制，以上电瞬间开始录制会有较大误差。

运行标定

1. 修改启动文件：在 imu_utils 的 launch 目录下，创建一个新的启动文件（例如 my_imu.launch），并正确设置参数：

   <launch>
       <node pkg="imu_utils" type="imu_an" name="imu_an" output="screen">
           <param name="imu_topic" type="string" value= "/your_imu_topic"/>   <!-- 你的IMU话题名称 -->
           <param name="imu_name" type="string" value= "my_imu"/>    <!-- 你的IMU名称 -->
           <param name="data_save_path" type="string" value= "$(find imu_utils)/data/"/>
           <param name="max_time_min" type="int" value= "120"/>   <!-- 最大时长（分钟） -->
           <param name="max_cluster" type="int" value= "100"/>
       </node>
   </launch>
   

2. 运行标定程序

   • 首先，确保ROS核心已经运行 (roscore)。
   • 在一个终端中启动标定节点：

     roslaunch imu_utils my_imu.launch
     

   • 在另一个终端中，以较高的速率回放之前录制的数据包：

     rosbag play -r 200 your_path/imu_static.bag
     

   • 此时，在第一个终端中你会看到 imu_utils 开始计算并输出信息。

3. 获取结果：标定完成后，结果文件（例如 my_imu_imu_param.yaml）会保存在 data_save_path 指定的路径中。这个YAML文件包含了加速度计和陀螺仪各轴的噪声密度（_n）和随机游走（_w）参数。

• 关于误差类型：imu_utils 主要用于标定IMU的随机误差。如果需要标定确定性误差（如刻度因子、非正交误差等），你可能需要结合使用 imu_tk 等工具。
• 数据质量是关键：标定结果的准确性严重依赖于数据采集的质量。务必确保IMU在数据采集过程中长时间静止且稳定。

navigation

以下是主流的强化学习避障开源库及GitHub地址，覆盖无人机、机器人等场景：

1. 通用强化学习框架（支持避障任务开发）

• Stable Baselines3

GitHub: https://github.com/DLR-RM/stable-baselines3
特点：基于PyTorch，集成PPO、DQN等算法，提供机器人避障示例。

• Ray RLlib

GitHub: https://github.com/ray-project/ray
特点：支持分布式训练，适合复杂避障任务（如多智能体协同避障）。

2. 无人机/机器人专用避障库

• AirSim RL避障示例

GitHub: https://github.com/microsoft/AirSim/tree/master/PythonClient/reinforcement_learning
特点：微软开源无人机仿真平台，提供深度强化学习避障Demo（如DQN、A3C）。

• gym-pybullet-drones

GitHub: https://github.com/utiasDSL/gym-pybullet-drones
特点：PyBullet物理引擎的无人机强化学习环境，包含避障任务接口。

3. 自动驾驶避障

• CARLA-RL

GitHub: https://github.com/carla-simulator/carla/tree/master/PythonAPI/examples/reinforcement_learning
特点：基于CARLA仿真器的自动驾驶避障训练框架，支持PPO、SAC等算法。

4. 轻量化部署工具

• ONNX-RL

GitHub: https://github.com/onnx/onnx-runtime/tree/main/onnxruntime/python/tools/transformers/models/rl
特点：将训练好的强化学习模型转为ONNX格式，便于嵌入式设备（如机器人）部署。