除了slam_gmapping，还有哪些常用的SLAM建图算法？

在 ROS 生态中，除了slam_gmapping（基于粒子滤波的 2D 激光 SLAM），还有多种常用的 SLAM 建图算法，涵盖2D SLAM、3D SLAM、视觉 SLAM等不同场景。以下是主流算法的详细介绍，包括其原理、适用场景和 ROS 实现：

一、2D 激光 SLAM 算法

适用于平面环境（如室内、走廊），依赖激光雷达（LiDAR）数据，精度较高，计算量较小。

1. Hector SLAM

• 原理：基于高斯牛顿法的扫描匹配，不依赖里程计，直接通过连续激光帧的匹配估计位姿，适合无轮式里程计的机器人（如无人机、履带车）。
• ROS 包：hector_slam
• 优势：无需里程计，对运动噪声不敏感。
• 劣势：快速运动时易累积误差，适合小范围静态环境。
• 适用场景：室内小空间、地面不平坦的场景（如救灾机器人）。

2. Cartographer

• 原理：谷歌开源的实时 SLAM 算法，采用分支定界扫描匹配和子图优化，结合里程计和激光数据，支持 2D/3D 建图，精度和鲁棒性强。
• ROS 包