2020.9.24激光slam发展学习思考（一）

一、激光slam自我总结介绍

主要分为基于滤波的和基于图优化的slam，，，现在主流的的算法有gmapping，这很经典，大学里初学经常用。

slam定义：
Localization：给定地图下估计机器人的位姿
Mapping：给定位姿下估计环境地图
SLAM：同时估计机器人的位姿和环境地图
这里主要就是位姿（定位）和环境地图

激光slam输入有：IMU（惯性测量单元），轮式里程计（Wheel Odometry），激光雷达（Lidar）
地图类型为：栅格地图，点云地图

帧间匹配算法：
PI-ICP，点-线
回环检测：
Scan-to-Map最为推荐，比如cartographer算法。学习中主讲人说Map-to-Map最好，Scan-to-Scan最坏，但是Map-to-Map现在基本还没发展，说之前论文有看到过，这里不清楚了。

2d激光雷达输入：上面一样；输出：栅格地图、机器人轨迹 or PoseGraph

cartographer算法2016年出现的，最为推荐。现在最好的，滤波的slam基本可以淘汰。相对的。现在图优化的最好，以cartographer算法为例。帧间匹配算法是CSM+梯度优化，回环（闭环）检测Scan-to-Map。

数据预处理：
轮式里程计的标定；
激光雷达运动畸变去除；
不同系统之间的时间同步；

2d激光雷达，一般适用于室内环境。里程计的影响因素：材质（软硬）、机器人载重、地面凹凸不平。
思考：
激光雷达的趋势始终要与视觉结合，视觉中注意白墙问题。vo、vio、vwo。

所以，后面要学习视觉slam相关的东西，结合激光雷达，达到解决以下几个问题：在几何结构相似环境的建图，全局定位，材质（软硬）、机器人载重、地面凹凸不平。都是视觉里程计了。
视觉里程计：传感器数据、前端视觉里程计，后端优化，回环检测，建图。

3d激光雷达slam：
跟2d差不多，输出的是点云地图，适用于室外，如无人驾试车。
还是要与视觉融合才行呀
单目相机，多目相机，深度相机，鱼眼相机，全景相机

后续都是基础知识学习，不定时更新…

思考

1、激光视觉融合是趋势，在激光slam的基础上，或者直接视觉slam用起来。

2、有velodyne，16线的3d激光雷达，要用起来。定位导航。

3、融合思考，后续在学习吧。