学习目标：

2Dslam介绍
3Dslam介绍

学习内容：

1.2Dslam介绍

1.slam_gmapping

Gmapping是应用最为广泛的2D slam方法，主要是利用RBPF（Rao-Blackwellized ParticleFilters）方法，所以需要了解粒子滤波的方法（利用统计特性描述物理表达式下的结果）。Gmapping在RBPF算法上做了两个主要的改进：改进提议分布和选择性重采样。

Gmapping可以实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。相比Hector SLAM对激光雷达频率要求低、鲁棒性高（Hector 在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）；而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测因此计算量小于Cartographer而精度并没有差太多。

随着场景增大所需的粒子增加，因为每个粒子都携带一幅地图，因此在构建大地图时所需内存和计算量都会增加。因此不适合构建大场景地图。并且没有回环检测，因此在回环闭合时可能会造成地图错位，虽然增加粒子数目可以使地图闭合但是以增加计算量和内存为代价。

所以Gmapping不能像cartographer那样构建大的地图，虽然论文生成几万平米的地图，但实际我们使用中建的地图没有上万平米时就会发生错误。

优点：在长廊及低特征场景中建图效果好；

缺点：依赖里程计（odometry），无法适用无人机及地面小车不平坦区域；无回环；

下载链接：slam_gmapping - ROS Wiki

2.Hector slam

Hector slam对传感器的要求比较高，它主要是利用高斯牛顿方法来解决scan- matching的问题。

Hector slam无需使用里程计，所以在不平坦区域实现建图的空中无人机及地面小车具有运用的可行性，利用已经获得的地图对激光束点阵进行优化，估计激光点在地图的表示，和占据网络的概率。获得激光点集映射到已有地图的刚体变换，为避免局部最小而非全局最优出现，地图使用多分辨率。

需具备高更新频率且测量噪音小的激光扫描仪，所以，在制图过程中，robot的速度要控制在较低的情况下才会有比较理想的建图效果，这也是它没有回环的一个后遗症。另外在里程计数据比较精确的情况下无法有效利用里程计信息。

优点：不需要使用里程计，所以使得空中无人机及地面小车在不平坦区域建图存在运用的可行性；利用已经获得的地图对激光束点阵进行优化, 估计激光点在地图的表示, 和占据网格的概率；利用高斯牛顿方法解决scan-matching 问题，获得激光点集映射到已有地图的刚体变换；为避免局部最小而非全局最优，使用多分辨率地图；导航中的状态估计加入惯性测量系统（IMU），利用EKF滤波；

缺点：需要雷达（LRS）的更新频率较高，测量噪声小。所以在制图过程中，需要 robot速度控制在比较低的情况下，建图效果才会比较理想，这也是它没有回环（loop close）的一个后遗症；且在里程计数据比较精确的时候，无法有效利用里程计信息。

实验表明：在大地图，低特征（distinctive landmarks）场景中，hector的建图误差高于gmapping。这是由于hector过分依赖scan-match。特别是在长廊问题中，误差更加明显。

补充：hector_slam通过最小二乘法匹配扫描点，且依赖高精度的激光雷达数据，因此扫描角很小且噪声较大的Kinect是不行的，匹配时会陷入局部点，地图比较混乱。

下载链接：https://github.com/tu-darmstadt-ros-pkg/hector_slam

3.karto slam

KartoSLAM是基于图优化的方法，用高度优化和非迭代 cholesky矩阵进行稀疏系统解耦作为解，图优化方法利用图的均值表示地图，每个节点表示机器人轨迹的一个位置点和传感器测量数据集，箭头的指向的连接表示连续机器人位置点的运动，每个新节点加入，地图就会依据空间中的节点箭头的约束进行计算更新．

KartoSLAM的ROS版本，其中采用的稀疏点调整（the Spare Pose Adjustment(SPA)）与扫描匹配和闭环检测相关。landmark越多,内存需求越大，然而图优化方式相比其他方法在大环境下制图优势更大，在某些情况下KartoSLAM更有效,因为他仅包含点的图(robot pose)，求得位置后再求map。

下载链接：GitHub - ros-perception/slam_karto: ROS Wrapper and Node for OpenKarto

4.lago slam

LagoSLAM是线性近似图优化，不需要初始假设，优化器的方法可以有三种选择 Tree-based netORK Optimizer(TORO), g2o,LAGO。

基本的图优化slam的方法就是利用最小化非线性非凸代价函数，每次迭代，解决局部凸近似的初始问题来更新图配置，过程迭代一定次数直到局部最小代价函数达到， (假设起始点经过多次迭代使得局部代价函数最小)。

5.core slam

为了简单和容易理解最小化性能损失的一种slam算法，将算法简化为距离计算与地图更新的两个过程，第一步，每次扫描输入，基于简单的粒子滤波算法计算距离，粒子滤波的匹配器用于激光与地图的匹配，每个滤波器粒子代表机器人可能的位置和相应的概率权重，这些都依赖于之前的迭代计算. 选择好最好的假设分布，即低权重粒子消失，新粒子生成，在更新步骤，扫描得到的线加入地图中，当障碍出现时，围绕障碍点绘制调整点集，而非仅一个孤立点。

通过在大小仿真环境、实际环境以及CPU消耗的情况下进行算法比较，发现 KartoSLAM 与gmapping优势更大。

下载链接：https://github.com/WestTeam/CoreSLAM

6.cartographer

cartographer是通过闭环检测来消除构图中产生的累计误差。用于闭环检测的基本单元是submap，一个submap由一定数量的laser scan组成，将一个laser scan插入到其对应的submap时，会基于submap已有的laser scan及其传感器数据估计其在该submap中的最佳位置。然而随着时间推移，越来越多的submap被创建后，submap 的累计误差会越来越大，因此需要通过闭环检测适当的优化这些submap的位姿进而消除这些累计误差，这就将问题转化为一个位姿优化问题。

当一个submap的构建完成时，也就不会有新的laser scan插入到submap中，该 submap就会加入到闭环检测中，闭环检测会考虑所有的已完成创建的submap，当一个新的submap加入到地图中时，如果该laser scan的估计位姿与地图中某个submap中的某个laser scan的位姿比较接近的话，那么通过某种scan match策略就可以找到该闭环。cartographer中的scan match策略通过在新加入地图中的laser scan的估计位姿附近取一个窗口，进而在该窗口内寻找该laser scan的一个可能匹配，如果找到哟个足够好的匹配，则将该匹配的闭环约束加入到位姿优化的问题中。

优点：累计误差较低，能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。
缺点：CPU性能要求教高。

下载链接：https://github.com/cartographer-project/cartographer

2.3D激光slam

1.loam

LOAM 实现了一种实时激光里程计并建图的算法,使用的硬件是一个三维空间中运动的两轴单线激光雷达.

两轴单线激光雷达,就是在水平方向和垂直方向的单线雷达在两个方向不断变换形成点云,其中每个点的时间戳则不同.
现在主流用的velodyne 的16线\32线的则是在一个垂直方向上有 16\32个点,它们有相同的时间戳,在水平方向时间戳则是递增的.这个算法同样可以用于16线的lidar

实现功能的难点:
这个问题困难的原因是由于点云不是相同时间获得的,并且运动畸变会导致点云的位置出现错误.这种错误也会造成匹配时的问题,也就造成了里程计信息估计的错误
目前一致性比较好的3d地图都是通过离线的方式获得的.通常还会通过回环检测来消除累计误差.回环检测目前是 VSLAM和LSLAM中,消除累计误差比较好的手段.因为里程计肯定会有累计误差的

LOAM的优点:
LOAM方法实现了低的漂移,并且计算的复杂度低,实时性很好.并且不需要高精度的lidar 和惯导.

2.A-LOAM

A-LOAM是香港科技大学、华为天才少年秦通博士对张绩的LOAM框架进行强化的一个激光SLAM框架。作为学习激光SLAM的入门框架，A-LOAM的代码可读性和框架思路都值得激光SLAM初学者仔细研读。这个框架使⽤Eigen以及Ceres-Solver对原始 LOAM进⾏重构，在保证算法原理不变的前提下，对代码框架进⾏优化，使得代码变得⼗分简洁，更加容易被读懂。

下载链接：GitHub - HKUST-Aerial-Robotics/A-LOAM: Advanced implementation of LOAM

3.LeGO-LOAM

LeGO-LOAM全称为：Lightweight and Groud-Optimized Lidar Odometry and Mapping on Variable Terrain，从标题可以看出 LeGO-LOAM 为应对可变地面进行了地面优化，同时保证了轻量级。

LeGO-LOAM是专门为地面车辆设计的SLAM算法，要求在安装的时候Lidar能以水平方式安装在车辆上；如果是倾斜安装的话，也要进行位姿转换到车辆上。而LOAM 对Lidar的安装方式没有要求，即使手持都没有关系。
下载链接：GitHub - RobustFieldAutonomyLab/LeGO-LOAM: LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain

4.Lio-mapping

在利用3D LiDAR进行SLAM计算时，有时会遇到一些问题，例如两帧之间的运动较为剧烈(大转角)可能会导致点云配准算法失效，在某些场景如长廊场景下有效测量点云较少使运动估计精度下降等，这些现象影响了SLAM算法的鲁棒性。而IMU(Inertial Measurement Unit)作为一种惯性测量单元，可以精确地测量载体的三轴加速度以及三轴角速度，在上述的场景中(大转角，长廊环境)可以为LiDAR提供额外的先验信息，从而增强LiDAR算法的鲁棒性，因此LiDAR-IMU fusioin成为一种近年来备受关注的SLAM 方法。

LIO-Mapping借鉴LOAM和VINS-Mono的思想进行的一个联合状态估计问题。工程层面和VINS-Mono一样，只不过前端视觉部分换成了lidar的前端进行特征关联和 odometry的位姿估计。其主要分为两个部分：tightly coupled lidar-IMU odometry与the rotation constrained refinement

下载链接：GitHub - hyye/lio-mapping: Implementation of Tightly Coupled 3D Lidar Inertial Odometry and Mapping (LIO-mapping)

5.hdl_graph_slam

hdl_graph_slam是由日本风桥科技大学的Kenji Koide在github上开源的六自由度三维激光SLAM算法。主要由激光里程计、回环检测以及后端图优化构成，同时融合了 IMU、GPS以及地面检测的信息作为图的额外约束。

下载链接：GitHub - koide3/hdl_graph_slam: 3D LIDAR-based Graph SLAM

6.BLAM

仅用激光的SLAM算法，前端使用GICP，后端使用GTSAM，效果还不错，回环速度快。

下载链接：GitHub - erik-nelson/blam

7.SegMap

利用3D CNN语意信息的3D激光SLAM框架，在某些场景比传统SLAM更具有优势。

下载链接：GitHub - ethz-asl/segmap: A map representation based on 3D segments

8.SuMa

使用Surfel地图去实现前端里程计和闭环检测，此前Surfel地图曾被用在RGBD- SLAM中，第一次见到被用在激光SLAM中，很值得大家去了解学习。

下载链接：https://github.com/jbehley/SuMa

9.Suma++

在SuMa基础上，利用RangeNet++过滤动态信息，提升定位建图精度。

下载链接：GitHub - PRBonn/semantic_suma: SuMa++: Efficient LiDAR-based Semantic SLAM (Chen et al IROS 2019)

开源的2D/3Dslam介绍相关推荐

OpenGL教程用2D图形介绍OpenGL
OpenGL教程用2D图形介绍OpenGL 1.设置OpenGL 要设置OpenGL,取决于您的编程平台,请阅读: 如何在C / C ++中编写OpenGL程序. 如何在Java中编写OpenGL程 ...
开源中文切词工具介绍
开源中文分词工具介绍这里介绍常用的开源中文分词工具,大部分是java实现.如果是java生产环境,建议使用ansj.word或HanNlp. Bakeoff是一个国际中文处理比赛,有多个语料,所以每 ...
node python做游戏服务哪个适合做服务端_当前的几种开源游戏服务端介绍
当前的几种开源游戏服务端介绍 pomelo Pomelo 是基于 Node.js 的高性能.分布式游戏服务器框架.它包括基础的开发框架和相关的扩展组件(库和工具包),可以帮助你省去游戏开发枯燥中的重复 ...
简账(开源记账软件)-功能介绍
文章目录简账(开源记账软件)-功能介绍前言一.主要技术栈简介二.主要功能三.项目难点四.总结简账(开源记账软件)-功能介绍前言由于自己有记账的需求,在尝试使用过市面上的记账软件后,发 ...
FPGA开源网站和论坛介绍
学习FPGA,找不到资料?-FPGA开源网站和论坛介绍碎碎思目录学习FPGA,找不到资料?-FPGA开源网站和论坛介绍 1.25个FPGA开源网站 1.1 http://OPENCORES.OR ...
AI Studio 飞桨零基础入门深度学习笔记4-飞桨开源深度学习平台介绍
AI Studio 飞桨零基础入门深度学习笔记4-飞桨开源深度学习平台介绍深度学习框架深度学习框架优势深度学习框架设计思路飞桨开源深度学习平台飞桨开源深度学习平台全景框架和全流程工具模 ...
COSCon21 开源文化 (GL) 论坛介绍
" 点击蓝字 / 关注我们 " | 作者.编辑:袁睿斌 | 设计:朱亿钦.宋传琪第六届中国开源年会 (COSCon'21) 将于 10月30-31日由开源社举办. 本次年会重新 ...
600多个iOS开源项目分类及介绍
600多个iOS开源项目分类及介绍详情见:http://github.ibireme.com/github/list/ios/
条形码/二维码之开源利器ZXing图文介绍
全文目录: 基本介绍二维码(比如:QRCode)的编码和解码演示条形码(比如:EAN-13)的编码和解码演示 [一]. 基本介绍 : 1-1. ZXing是一个开源Java类库用于解析多种格式的条 ...

开源的2D/3Dslam介绍