ROS 中常用的几种 SLAM 算法-工具盒子

简介 {#简介}

在 ROS 中提供的五种基于 2D 激光 的 SLAM 算法：

HectorSLAM
Gmapping
KartoSLAM
CoreSLAM
LagoSLAM

最后还有比较经典的 google 开源的 cartographer，虽然不是基于 ROS 的但是大牛们已经将它修改为基于ＲＯＳ的版本的 cartographer_ros

（1）HectorSLAM {#（1）HectorSLAM}

HectorSLAM 是一种结合了鲁棒性较好的扫描匹方法 2D SLAM 方法和使用惯性传感系统的导航技术。

传感器的要求：高更新频率小测量噪声的激光扫描仪，不需要里程计，使空中无人机与地面小车在不平坦区域运行存在运用的可能性，作者利用现代激光雷达的高更新率和低距离测量噪声，通过扫描匹配实时地对机器人运动进行估计。

所以当只有低更新率的激光传感器时，即便测距估计很精确，对该系统都会出现一定的问题，如下图是该系统生成的二维地图。

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，其中扫描匹配利用的是高斯牛顿的方法进行求解. 找到激光点集映射到已有地图的刚体转换(x,y,theta).具体的公式如下：

下图二维地图是 hectorSLAM 多分辨率地图的表示。

网格单元格长度（从左到右）：20厘米，10厘米和5厘米，使用多分辨率地图表示，以避免陷入局部最小化。这个解决方案背后的想法是在内存中有不同的地图，同时使用之前估计的姿势来更新它们。计算成本仍然很低，所以地图总是一致的

最后，3D 空间导航状态估计是基于 EKF 滤波器。但是，这种情况是仅在 IMU 存在时才需要，例如在空中机器人的情况下。因此，这里我们只讨论二维的 SLAM

它会将不再这项工作中使用。如下图显示了HectorSLAM方法的概述。

（2）Gmapping {#（2）Gmapping}

Gmapping 是一种基于激光的 SLAM 算法，它已经集成在 ROS 中，是移动机器人中使用最多的 SLAM 算法。这个算法已经由Grisetti等人提出是一种基于 Rao-Blackwellized 的粒子滤波的 SLAM 方法。

基于粒子滤波的算法用许多加权粒子表示路径的后验概率，每个粒子都给出一个重要性因子。但是，它们通常需要大量的粒子才能获得比较好的的结果，从而增加该算法的的计算复杂性。此外，与PF重采样过程相关的粒子退化耗尽问题也降低了算法的准确性。粒子退化问题包括在重采样阶段从样本集粒子中消除大量的粒子。发生这种情况是因为它们的重要性权重可能变得微不足道。因此，这意味着有一定的小概率时间会消除正确的假设的粒子。为了避免粒子的退化问题，已经开发了自适应重采样技术。

作者还提出了一种计算精确分布的方法，不仅考虑机器人平台的运动，还考虑最近的观察。提出了在使用测距运动模型时结合观测值提出建议分布。然而，当一个移动机器人装备一个非常精确的传感器LRF时，可以使用该传感器的模型，因为它可以实现了极高的似然函数。基于此，作者整合了最近的传感器观测zt，并且他们计算高斯分布近似有效地获得下一代粒子分布。

这种自适应重采样降低了PF预测步骤中机器人姿态的不确定性。结果，由于扫描匹配过程，所需的粒子数量减少，因为不确定性较低。实验中，Gmapping使用的粒子数量是30，与普通PF方法相比，这是非常低的。

（3）LagoSLAM {#（3）LagoSLAM}

LagoSLAM 是线性近似图优化,不需要初始假设。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). 。假设图中每个节点的相对位置和方向都是独立的，作者求解了一个等价于非凸代价函数的方程组。为此，提出了一套基于图论的程序，通过线性定位和线性位置估计，得到非线性系统的一阶近似。

（4）KartoSLAM {#（4）KartoSLAM}

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.

（5）CoreSLAM {#（5）CoreSLAM}

COreSLAM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。

（6）cartographer {#（6）cartographer}

cartographer是Google的实时室内建图项目，传感器安装在背包上面，可以生成分辨率为5cm的2D格网地图。获得的每一帧laser scan数据，利用 scan match 在最佳估计位置处插入子图（submap）中，且scan matching只跟当前submap有关。在生成一个submap后，会进行一次局部的回环（loop close），利用分支定位和预先计算的网格，所有submap完成后，会进行全局的回环。