2020/10/20
卡尔曼滤波：
两大问题：
计算量大：需要计算系统的协方差矩阵
不确定性：受外界因素影响
粒子滤波器法：
将SLAM问题分解为机器人的定位和路标集合的估计两个子问题来进行求解步骤 采用新位姿，扩展对机器人路径的后验估计更新观测路标估计计算采集权值，进行重采样处理 期望极大化（EM）方法SLAM传感器 雷达SLAM 和 视觉SLAM 激光雷达: SICK, Velodyne, 国产rplidar 优点是精度很高，速度快，计算量也不大，缺点是价格比较昂贵 视觉SLAM: 主要分为三大类：单目、双目(或多目)、RGBD（深度） 单目相机SLAM简称MonoSLAM，成本很低，但是没法得到确切的深度通过多个相机之间的位置，估计空间点的位置。但是通过双目图像计算像素位置很消耗计算量，现在多用FPGA来完成RGDB：提供更丰富的信息，但是容易受太阳等光线的影响 经典视觉SLAM框架 视觉里程计(VO) --> 后端优化 --> 建图 --> 回环检测 视觉里程计 Visual Odometry： 基于特征的方法是目前VO的主流方式后端：早期使用的是滤波器建图：度量地图：稠密地图和稀疏地图 栅格地图表示法：将整个环境分为若干个相同大小的栅格，对每个栅格各指出其中是否存在障碍物几何信息地图拓扑地图 回环检测：难点在于 错误的检测结果可能使地图变得糟糕