cartographer 前端两种匹配

目录

1.相关性扫描匹配：

1.1 输入 ： 

1.2 步骤：

2.ceres 优化：

2.1 输入 ：   

2.2 步骤：

3.输入数据的坐标关系

---

cartographer 前端  相关性扫描匹配  和  ceres 优化两种

1.相关性扫描匹配：

double RealTimeCorrelativeScanMatcher2D::Match(
    const transform::Rigid2d& initial_pose_estimate,
    const sensor::PointCloud& point_cloud, const Grid2D& grid,
    transform::Rigid2d* pose_estimate)

1.1 输入 ： 

1. 预计位姿（推算位子）    
2. 点云数据 
3. 概率栅格地图   
4. 估计位姿（引用输出）

返回：   最佳得分

1.2 步骤：

1. // 初始位姿的角度
2. /将激光转到初始位姿的角度  (x,y)0 点云开始为：baselink坐标系
3. //确定查询窗口  角度+空间平面
4. //得到旋转的点云     查询角度范围 ×2 /角度分辨率    点云 对各个角度旋转
5. //将点云转到当前位姿下  平移
6. /生成平移的候选值， 只记录 x,y的偏移，未进行 实际点云平移
7. //求取得分  遍历候选值，  再遍历激光点，遍历激光点时将xy的偏移量传入
8.  //取得分最大的候选值的 偏移量
9. //输入的初始位子 + 偏移量

2.ceres 优化：

void CeresScanMatcher2D::Match(const Eigen::Vector2d& target_translation,
                               const transform::Rigid2d& initial_pose_estimate,
                               const sensor::PointCloud& point_cloud,
                               const Grid2D& grid,
                               transform::Rigid2d* const pose_estimate,
                               ceres::Solver::Summary* const summary) 

2.1 输入 ：   

1. 预计位姿（推算位子）   
2. scanMatch匹配后位姿
3. 点云数据 
4. 概率栅格地图
5. 优化后位姿（输出引用）
6. ceres 优化器

2.2 步骤：

1. 构建观测残差     栅格不连续，三次卷积插值 使其连续可导
2. 构建平移变化量残差
3. 构建旋转变化量残差
4. ceres 求解，得pose+cost

3.输入数据的坐标关系

                     

 

返回：   最佳得分

预计位姿    点云数据  在重力坐标系下