本篇记录kkdqd老师的课《激光slam理论与实践》
贴个人总结(理解不正确，请指出) :
第一章：激光SLAM简要介绍
1、输出度量图比例图。 slam分为基于滤波的基于过滤器的slam和基于图形的slam两种。
2，
)基于Graph-based的代表是cartographer，能够修复到时刻t为止的误差的分为前端和后端。
)只能基于代表PF的g映射，估计x(t )当前时间的位置，不能修复先前时间出现的误差。 大面积的情况下，就不能制作图了。 粒子滤波实际上是贝叶斯估计的过程，该过程是状态预测的过程，可分为六个步骤。
卡尔曼是贝叶斯线性drdnht的特殊情况。
(3) ) )。
实际上，IMU计算角度，行驶距离计算距离
)4)帧间匹配算法：
ICP是计算点对点的，谁也不用了。 PI-ICP计算点对线。
NDT用于三维slam。
CSM :是最主要的方法。
扫码-扫码已经没人用了
扫描至地图代表是卡通人物。
虽然还没有使用贴图，但是效果最好。 与x(t )时刻之前的几个帧进行环回检测。
3、二维激光SLAM (用的二维激光雷达) )。
)1) 2D激光slam的帧间匹配
(a ) PI-ICP
(b )并行扫描(CSM ) )。
(c )坡度优化方法： Hector—SLAM
(d ) CSM梯度优化) cartographer
) 2D激光SLAM环回检测方法
(a )分支边界Branch and Boundlazy Decison )延迟决定)代表： cartographer
(b )扫描至地图
(3) ) )。
(a ) EKF-SLAM构建的是功能地图而不是栅格地图，因此不能用于导航，只能用于定位。
(b ) g映射是网格版本的快速扫描区，已加入扫描匹配。
(c )用Optimal RBPF优化g映射，是MRPT上的开源算法。
2010年以后从FP变成了地图优化的方法。
Karto SLAM在运行时经常崩溃。 在此基础上，Catographer进行了优化。 Catographer是开源算法中效果最好的。
(4、数据预处理
4、3D激光雷达
)1) 3D激光雷达帧间匹配
(a )点到平面ICP点和面匹配
(b )基于功能的方法
第二章：传感器数据处理:里程表的运动模型与标定
1、里程表运动模型
(1)两轮差分底盘运动学模型
(2)航迹推算(衰退恢复) )。
2、测距仪标定
(1)线性最容易发怒的指甲油乘坐的基本原理
通常是求近似解。
)2)最容易发怒的指甲油乘坐的直线拟合
)3)最易怒的指甲油应用于里程表标定：
a、直接线性方法，精度不高，但实现简单； 用这种方法
b是一种基于模型的方法，精度高，但现实中相当复杂，是一个非线性过程。 不。
工作：实现直接线性方法的里程表标定模块
总结：由于机器人结构的系统误差(如车轮直径大小不同、机械结构间隙等)，需要用里程表标定以消除系统误差，无法消除随机误差。
第三章：传感器数据处理:激光雷达数学模型和运动畸变消除
1、概念
(1)激光lidar介绍，基于三角测距原理，距离越近精度相对越高。 飞行时间(TOF )远距离精度好，价格昂贵。 高端的lidar有德国的sick，日本的北阳。
固态lidar :趋势、价格低廉，类似于深度相机。 100线——300线。
如果lidar的帧率小于10HZ，则运动失真非常明显。
)2)激光lidar数学模型介绍：
光束模型：一帧激光与地图的重叠程度、计算量太大，现在已经不用了。
似然场模型：对图像进行drdnht平滑，计算量低。应用的多。（3）运动畸变介绍：
产生的原因：在获取一帧激光lidar的数据用时 t 时，机器人的位置发生了运动，导致每个激光点的基准位置不是固定的。
2、畸变去除方法
（1）纯估计方法：ICP 的方法，就是点云匹配。
考虑到机器人的运动，采用VICP的方法。（Velocity estimate ICP）
（2）传感器辅助方法：（IMU/odom）
odom,直接测量位移和角度。更新频率（100Hz——200Hz），而IMU测量的是加速度，还需要积分。
二次曲线的近似：一帧激光数据N个激光点，每个激光点对应的位姿{P1，P2 ... Pn}通过这种方法得到，把转换后的激光数据发布出去。
作业：实现一个激光雷达运动畸变去除模块
小结：由于机器人存在运动畸变，所以要发布publish经过去除畸变的激光lidar数据。
第四章：激光SLAM的前端配准方法
帧间匹配方法：
（1）ICP 匹配方法：点到点的距离作为误差，一阶收敛。
（2）PL-ICP方法：点到线的距离作为误差，二阶收敛，精度比ICP更高。
（3）基于优化的匹配方法(Optimization-based Method）：应用于Hector SLAM 和cartographer
梯度的优化：Hector SLAM，不需要里程计，纯靠优化的方法。
cartographer 是CSM+优化。
（4）相关匹配方法和分枝定界加速：Karto SLAM，cartographer，分枝定界在相关方法中的加速作用。
第五章：基于滤波器的激光SLAM方法(Filter-based)
1、（1）只估计当前时刻的状态X(t)叫滤波。视觉地图——feature特征地图；激光——》栅格地图
2、
（1）Bayes滤波：是一类方法的统称，卡尔曼家族和PF都属于贝叶斯滤波。
（2）粒子滤波：PF是Bayes滤波的特例。应用于物体跟踪，机器人定位，SLAM导航。用一系列的粒子近似概率分布。
有一个重采样的过程，即去除权重小的粒子。权重表示和地图的匹配程度。
重采样的目的：生成后验分布的粒子群。总粒子数不变。
对于SLAM，存在粒子耗散问题，且无法解决，所以在环境小的时候才有用。
（3）FastSLAM：是gmapping的基本原理，也是基于PF的。存在三个问题和优化a,b,c：
a.每个粒子都包含自己的栅格地图，占用较大的内存；保持粒子数量较小，提升proposal采样的位姿质量；
b.粒子耗散问题；缓解粒子耗散；减少重采样的次数；
c.在a的基础上再优化，把proposal限制在一个较小的区域
（4）Gmapping：以FastSLAM为基础。在fastSLAM的基础上实现了优化a和b，没有使用优化c。
主要是两个函数: addScan( ) 和 processScan( )
第六章：基于图优化的激光SLAM方法(Grid-based)
1、Grid-based 是基于非线性最暴躁的指甲油乘原理的求解。Grid-based包含前段Front-end和后端Back-end。
2、非线性最暴躁的指甲油乘：f(x) = z ，f(x)是一个非线性的函数 ，z可以是一个预测值，然后通过传感器可以得到一个测量值z'，根据二者就可以去非线性最暴躁的指甲油乘。
3、有回环检测。
4、drdnht牛顿方法
5、cartographer方法中mapping_2d目录：
第七章：基于已知定位的建图
位姿估计包含 帧间匹配和优化的方法，两者构成图优化，通过对机器人的位姿（x ，y ， θ）来构建地图。
1、地图分类：（栅格地图、特征地图和点云地图，都属于）尺度地图、拓扑地图、语义地图
2、覆盖栅格建图算法（gmapping里面用的这个）：
栅格地图的数学模型：给定机器人的位姿（由里程计信息得到）和激光lidar的数据，来估计出栅格地图。
地图估计：栅格是一个二元随机变量。1 标准占用，0表示没被占用。
激光穿过的栅格为free，激光击中的栅格为occupied
3、计数（count model）建图算法：
激光击中的次数 / 激光穿过的次数 到达一个比值，就表示障碍物，occupied。
第八章: 3D激光SLAM介绍
1、3D激光SLAM
2D激光SLAM和3D激光SLAM的区别：
（1）2D ：单线激光lidar，只能在一个截面，形成2D栅格地图，室内机器人
（2）3D：多线激光lidar，形成三维点云地图或者三维栅格地图，室外移动机器人
2、3D帧间匹配：
（1）点面ICP
(2) Feature-based method
(3) NDT 方法 normal-distribution-Transform
2、LOAM (lidar odometry and mapping)
（1）是3D 激光SLAM算法，只有匹配，没有回环。
（2） KITTI数据集Odometry排行榜上长期霸占第一