激光SLAM

最新推荐文章于 2025-06-06 21:33:25 发布

徐文枫

最新推荐文章于 2025-06-06 21:33:25 发布

阅读量203

点赞数

分类专栏： SLAM 文章标签：算法

本文链接：https://blog.youkuaiyun.com/weixin_42784393/article/details/106612049

版权

本文介绍了激光SLAM的几种主流算法，包括Gmapping、Hector_SLAM、Karto、Cartographer以及3D激光SLAM的LOAM及其衍生算法A-LOAM、LeGO-LOAM、LIO-Mapping等。这些算法各有特点，适用于不同的场景和需求，提供了从基础到进阶的实践学习资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

01.激光SLAM初学者代码及论文推荐

2D激光SLAM

Gmapping
简介：基于粒子滤波框架的激光SLAM，结合里程计和激光信息，每个粒子都携带一个地图，构建小场景地图所需的计算量较小，精度较高。可以结合《概率机器人》一起学习。
Git链接：
https://github.com/ros-perception/openslam_gmapping
https://github.com/ros-perception/slam_gmapping
相关论文：
Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard: Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters, IEEE Transactions on Robotics, Volume 23, pages 34-46, 2007.
Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard: Improving Grid-based SLAM with Rao-Blackwellized Particle Filters by Adaptive Proposals and Selective Resampling, In Proc. of the IEEE International Conference on Robotics and Automation (ICRA), 2005.

Hector_slam
简介：利用优化方法进行帧间匹配的激光slam算法，不需要里程计信息，代码较短。缺点是在雷达频率不够的设备上