年份	方案	传感器	优缺点
1988年	EKF-SLAM	2D 激光	构建特征地图，计算量复杂，鲁棒性较差。
2002年	FastSLAM	2D激光	最早实时输出栅格地图；消耗内存，粒子耗散严重
2007年	Gmapping	2D激光	缓解粒子耗散；非常依赖于里程计信息
2010年	Optimal RBPF	2D激光	进一步减少粒子退化问题
2011年	Hector-SLAM	2D激光	不需要里程计数据；强旋转漂移，初值敏感，难处理闭环
2014年	LOAM	3D激光	实时性好，匀速运动假设，无闭环检测
2015年	V-LOAM	3D激光，视觉	精度高，算法鲁棒性好；漂移匀速假设，无闭环检测
2016年	Cartographer	2D激光	CSM与梯度优化前端，图优化的后端，加速的闭环检测
2016年	VELO	3D激光，视觉	有闭环检测模块，低漂移，无运动畸变假设
2018年	IMLS	3D激光	不依赖与GPS、IMU、相机等传感器，低漂移。
2018年	LVIO	3D激光，视觉	低漂移，光照，旋转，结构退化环境下鲁棒性极好

激光SLAM简介

1.SLAM是什么
- 1.1 SLAM的定义
- - 1.1.1 Localiztion: 在给定地图的情况下，估计机器人的位姿
  - 1.1.2 Mapping: 在给定机器人位姿的情况下，估计环境地图
  - 1.1.3 SLAM：同时估计机器人的位姿和环境地图
- 1.2 SLAM解决的问题
- - 1.2.1 机器人在环境中的位姿
  - 1.2.2 导航过程中需要的环境地图
2.SLAM的分类
3.SLAM的框架
- 3.1 图优化
- - 3.1.1 Graph : 表示SLAM的过程
  - 3.1.2 Node : 机器人的位姿
  - 3.1.3 Edge : 节点之间的空间约束关系
- 3.2 Filter-based SLAM
- - 3.2.1状态预测(State Prediction):
  - 3.2.2 测量预测(Measurement Prediction)
  - 3.2.3 进行测量(Measurement)
  - 3.2.4 数据关联(Data Association)
  - 3.2.5 状态更新&地图更新(State & Map Update)
1. 激光SLAM
- 4.1 传感器
- - 4.1.1 惯性测量单元（IMU）
  - 4.1.2 轮式里程计(Wheel Odometry)
  - 4.1.3 激光雷达(Lidar)
- 4.2 地图类型
- - 4.2.1 覆盖栅格地图(Occupany Grid Map)
  - 4.2.2 点云地图
- 4.3 帧间匹配算法
- - 4.3.1 ICP(Iterative Cloest Point)
  - 4.3.2 PI-ICP(Point-to-Line Iterative Closest Point)
  - 4.3.3 NDT(Normal Distribution Transformation)
  - 4.3.4 CSM(Cirrelation Scan Match)
- 4.4 回环检测
- - 4.4.1 Scan-to-Scan
  - 4.4.2 Scan-to-Map
  - 4.4.3 Map-to-Map
1. 2D 激光SLAM的介绍
- 5.1 2D 激光SLAM的输入
- - 5.1.1 IMU数据
  - 5.1.2 里程计数据
  - 5.1.3 2D激光雷达数据
- 5.2 2D激光SLAM的输出
- - 5.2.1 覆盖栅格地图
  - 5.2.2 机器人的轨迹 or PoseGraph
- 5.3 2D 激光SLAM的帧间匹配方法
- - 5.3.1 PI-ICP
  - 5.3.2 CSM(Correlation Scan Match)
  - 5.3.3 梯度优化方法
  - 5.3.4 State of Art: CSM + 梯度优化
- 5.4 2D 激光SLAM的回环检测方法
- - 5.4.1 Scan-to-Map
  - 5.4.2 Map-to-Map
  - 5.4.3 Branch and Bound % Lazy Decision
6 2D 激光SLAM的发展
- 6.1 Filter-based
- - 6.1.1 EKF-SLAM —- 90年代
  - 6.1.2 FastSLAM —- 02~03
  - 6.1.3 Gmapping —- 07
  - 6.1.4 Optimal RBPF—- 10
- 6.2 Graph-based
- - 6.2.1 Globally Consistant Range Scan For Enviroment Mapping —- 97
  - 6.2.2 Incremental Mapping of Large Cyclic Enviroments —- 99
  - 6.2.3 Karto SLAM —- 10
  - 6.2.4 Cartographer — 16
7 2D 激光SLAM的应用
- 7.1 数据的预处理 —- 非常重要
- - 7.1.1 轮式里程计的标定
  - 7.1.2 激光雷达运动畸变去除
  - 7.1.3 不同系统之间的时间同步
- 7.2 实际环境中的问题
- - 7.2.1 动态物体
  - 7.2.2 环境变化
  - 7.2.3 几何结构相似环境
  - 7.2.4 建图的操作复杂
  - 7.2.5 全局定位
  - 7.2.6 地面材质的变化
  - 7.2.7 地面凹凸不平
  - 7.2.8 机器人载重的改变
1. 2D 激光SLAM 的趋势—-与视觉融合
- 8.1. 视觉提供的信息
- - 8.1.1 高精度的里程信息
  - 8.1.2 信息量丰富的视觉地图
- 8.2. 融合解决的问题
- - 8.2.1 动态物体
  - 8.2.2 环境变化
  - 8.2.3 几何结构相似环境
  - 8.2.4 建图的操作复杂
  - 8.2.5 全局定位
  - 8.2.6 地面材质的变化
  - 8.2.7 地面凹凸不平
  - 8.2.8 机器人载重的改变
9 3D 激光SLAM的介绍
- 9.1 3D 激光SLAM的输入
- - 9.1.1 IMU数据
  - 9.1.2 里程计数据
  - 9.1.3 3D激光雷达数据
- 9.2 3D激光SLAM的输出
- - 9.2.1 3D 点云地图
  - 9.2.2 机器人的轨迹 or PoseGraph
- 9.3 3D 激光SLAM的帧间匹配方法
- - 9.3.1 Point-to-Plane ICP
  - 9.3.2 NDT
  - 9.3.3 Feature-based Method
- 9.4 3D 激光SLAM的回环检测方法
- - 9.4.1 Scan-to-Scan
  - 9.4.2 Scan-to-Map
  - 9.4.3 Branch and Bound & Lazy Decision
- 1. 3D 激光SLAM的发展
- - 10.1 LOAM-纯激光，匀速运动假设，无回环
  - 10.2 V-LOAM-视觉激光融合、漂移匀速假设，无回环。
  - 10.3 VELO-视觉激光融合，无运动畸变假设，有回环
1. 3D 激光SLAM的应用
- 11.1 数据的预处理
- - 11.1.1 轮式里程计的标定
  - 11.1.2 激光雷达运动畸变的去除
  - 11.1.3 不同系统之间的时间同步
- 11.2 与视觉融合
- - 11.2.1 3D激光雷达为视觉特征提供深度信息
  - 11.2.2 视觉辅助激光雷达进行运动畸变去除
  - 11.2.3 视觉辅助回环检测
  - 11.2.4 视觉提供精确的里程信息
1. 激光SLAM中的问题
- 12.1 环境退化问题（Degeneration）
- 12.2 地图的动态更新(Map Update)
- 12.3 全局定位(Global Localization)
- 12.4 动态环境定位(Dynamic Localization)

1.SLAM是什么

1.1 SLAM的定义

slam是自主移动机器人自主移动的核心技术之一。

1.1.1 Localiztion: 在给定地图的情况下，估计机器人的位姿

1.1.2 Mapping: 在给定机器人位姿的情况下，估计环境地图

1.1.3 SLAM：同时估计机器人的位姿和环境地图

1.2 SLAM解决的问题

1.2.1 机器人在环境中的位姿

1.2.2 导航过程中需要的环境地图

2.SLAM的分类

在这里插入图片描述首先分为两种，一种是静态环境，一种是动态环境，绝大多数的SLAM算法都是假设环境是静态的，不发生改变的；另一种是动态环境，动态环境分为两种，一种是高动态环境，一种是低动态环境。机器人在建图的过程中，在机器人的视野中看到走来走去的车或者人，这是高动态环境。另一种是低静态环境，是机器人检测不到的，比如停车库里的车，早上和中午有的车不动，有的车开出去了。

在静态环境中，根据SLAM的输出过程可以分为三种地图，一种是尺度地图，一种是拓扑地图，一种是混合地图。拓扑地图在环境比较大的情况下比较有用。因为一般的导航算法都是搜索算法，A*算法，D杰斯塔拉算法，随机算法，RT等,当搜索范围很大的情况下，搜索算法都是很耗时的，所以需要拓扑地图，将每一个地图简化成一个个的点，两个点是相连的，在中间连一条边，然后边的值表示两个点的距离。尺度地图。尺度不是真的，而是按比例缩放，与现实世界对应起来的，包括常用的Hector SLAM Cartographer SLAM。混合地图是刚才说的两种地图的结合，首先是一个拓扑地图，每一个点都是尺度地图。在全局路径是使用是拓扑地图，在局部路径规划是尺度地图。

而基于尺度地图主要分为两种，一种是基于贝叶斯的地图。