Gmapping、hector、Cartographer三种激光SLAM算法简单对比

详细内容参考

:https://blog.csdn.net/Jeff_Lee_/article/details/77869987

一、Gmapping是基于粒子滤波的算法。

缺点：严重依赖里程计，无法适应无人机及地面不平坦的区域，无回环（激光SLAM很难做回环检测），大的场景，粒子较多的情况下，特别消耗资源。

二、Hector SLAM

基于优化的算法（解最小二乘问题），优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高。

核心函数：update()

① Matchdate()利用上一帧位置和此帧雷达扫描，运用构造的最小二乘问题，估计此帧位姿。

② UpdateByScan根据此帧位姿，雷达数据，利用占据栅格地图算法，更新地图。

扫描匹配算法：利用g2o解公式7，泰勒展开，运用双线性插值计算微分，雅克比矩阵。

函数M()该点是障碍物的概率。

三、Cartographer

累计误差较前两种算法低，能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。

先有一定数量的laser scan构建submap，由submap拼接成地图，所谓的回环检测，就是间隔一定数量的扫描进行一次所有submap的图优化（SPA，运用了分支定界原理进行加速），但这种用有误差的估计量去作为约束去优化估计量，总有种自己估计优化自己的嫌疑，跟喜欢视觉SLAM运用词袋模型检测是否回到之前来过的地方的算法。

作者：Jeff_Lee_
来源：CSDN
原文：https://blog.csdn.net/Jeff_Lee_/article/details/77869987
版权声明：本文为博主原创文章，转载请附上博文链接！

---

作者：Jeff_Lee_
来源：CSDN
原文：https://blog.csdn.net/Jeff_Lee_/article/details/77869987
版权声明：本文为博主原创文章，转载请附上博文链接！