一、SLAM 简介

SLAM(Simultaneous Localization and Mapping同步定位与地图构建) 是业界公认视觉领域空间定位技术的前沿方向，它主要的作用是让机器人在未知的环境中，完成定位（Localization)，建图(Mapping)和路径规划(Navigation)。
目前科技发展速度飞快，想让用户在 AR/VR、机器人、无人机、无人驾驶领域体验加强，还是需要更多前沿技术做支持，SLAM 就是其中之一。实际上，有人就曾打比方，若是手机离开了 WIFI 和数据网络，就像无人车和机器人，离开了 SLAM 一样。
SLAM 算法最早出现在 SmithSelf 和 Cheeseman 的论文中,他们运用扩展卡尔曼滤波对状态空间中的机器人位姿和特征 ( 路标 ) 位置进行同时估计。计算复杂度高一直是 SLAM 的难题之一，在基于特征的SLAM 算法中,标准 EKF SLAM 方法的计算复杂度与环境特征个数呈二次方关系,这使得它只能在一般不超过上百个特征的较小范围内应用。因此,研究一种计算量可随地图大小进行缩放的 SLAM 算法成为一个公共难题。由于 SLAM 问题针对未知且不确定的环境,一般使用概率方法来描述该问题。 SLAM 的常用概率解法有两类, EKF 算法和粒子滤波算法。对于非线性系统的 SLAM 问题 EKF 算法和快速 SLAM(FastSLAM)算法是比较典型的两种算法。粒子滤波方法对模型进行直接近似,它不要求控制向量和观测值满足高斯分布假设将粒子滤波方法应用到高维 SLAM 问题,计算量非常大, FastSLAM 算法把联合SLAM状态分成运动部分和条件地图部分以缩小采样空间 ,机器人的位姿用不同权值的粒子表示 ,地图由独立的高斯分布解析表示 ,机器人位姿状态的递归估计采用粒子滤波方法,地图状态的递归估计采用 EKF 方法。

二、SLAM 技术简介

主流的slam技术应用有两种，分别是激光slam(基于激光雷达lidar 来建图导航)和视觉slam(vslam,基于单/双目摄像头视觉建图导航)，在此主要先介绍激光slam，它有分为基于滤波的 filter-based 的SLAM，和基于图优化Graph-based的SLAM

基于滤波框架slam:

卡尔曼滤波 : EKF UKF EIF 等
粒子滤波: PF RBPF FASTSAM 1.0 2.0 MCL

基于图优化框架slam:

Graph-slam 工具: g20

（1）基于Graph-based的代表是cartographer,karto_slam，可以修复 t 时刻之前的误差分为两部分Front-end ，和Back-end。

（2）基于(粒子滤波)PF的代表gmapping，只能估计X(t)当前时刻的位姿，不能修复之前时刻产生的误差。在大面积的情况下，就无法建图了。

三、slam算法实现的几个要点

地图表示问题，比如dense和sparse都是它的不同表达方式，这个需要根据实际场景需求去抉择

（A）覆盖珊格地图和点云地图

信息感知问题，需要考虑如何全面的感知这个环境，RGBD摄像头FOV通常比较小，但激光雷达比较大

(A)主要使用传感器惯性测量单元——陀螺仪（Imu）测角度,轮子编码器测里程计odom，及激光雷达
数据关联问题，不同的sensor的数据类型、时间戳、坐标系表达方式各有不同，需要统一处理
定位与构图问题，就是指怎么实现位姿估计和建模，这里面涉及到很多数学问题，物理模型建立，状态估计和优化
回环检测问题

（A）分支定界Branch and Bound&lazy Decison（延迟决策），代表：cartographer

（B）Scan-to-Map