实习:slam算法的学习整理

最新推荐文章于 2025-07-11 15:56:32 发布

孔小葵要加油

最新推荐文章于 2025-07-11 15:56:32 发布

阅读量3.6w

点赞数 9

CC 4.0 BY-SA版权

分类专栏： slam学习实习文章标签： slam ros c

本文链接：https://blog.youkuaiyun.com/qq_33414553/article/details/81270112

本文整理了SLAM（Simultaneous Localization and Mapping）算法的学习要点，包括odom更新、激光地标更新、闭环检测的词袋模型和机器学习方法。介绍了运动模型算法流程，特别是粒子滤波中的采样方式，并探讨了不同类型的地图，如占用概率栅格地图和cost地图。还讨论了AMCL中的粒子数量和KLD采样算法，以及SLAM的贝叶斯滤波器方法。同时提到了A*算法和路径规划的相关资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.odom

2.updata_odom

3.updata_laser

updata_landmark

4.resample pf.c

相机的位姿转换是基于世界坐标系的，观察到的路标也会在世界坐标系中不断收敛，若不是计算错误，基本上不会产生漂移。而IMU是自身坐标系标定的，在转换到世界坐标系时候一定会产生误差，时序累积必定产生漂移。两种方式的优缺点互补，这就引发视觉SLAM的融合思想，既是SensorFusion。

闭环检测一般使用词袋模型作为场景匹配方法。而作为一个场景识别问题，闭环检测可以看做是一个视觉系统的模式识别问题。所以可以使用各种机器学习的方法来做，比如什么决策树/SVM，也可以试试Deep Learning。不过实际当中要求实时检测，没有那么多时间训练分类器。所以SLAM更侧重在线的学习方法。

无论使用什么混合权重，权重加总应该等于1。

odom_model_type是"diff"，那么使用sample_motion_model_odometry算法，这种模型使用噪声参数odom_alpha_1到odom_alpha4。如果是"omni" 模型用于全向底座，使用噪声参数odom_alpha_1到odom_alpha_5。前4个参数类似于“diff”模型，第5个参数用于捕获机器人在垂直于前进方向的位移（没有旋转