Hector

Gmapping

Karto

cartographer

scan-matching(Gaussian-Newton equation) +感測器的要求高

mapping採用的是RBPF的方法

KartoSLAM是基於圖優化的方法，用高度優化和非迭代 cholesky矩陣進行稀疏系統解耦作為解．

artographer是Google的實時室內建圖專案，感測器安裝在揹包上面，可以生成解析度為5cm的2D格網地圖

 要求: 高更新頻率小測量噪聲的鐳射掃描器.不需要里程計,使空中無人機與地面小車在不平坦區域執行存在運用的可能性.

粒子濾波的方法一般需要大量的粒子來獲取好的結果,但這必會引入計算的複雜度;粒子是一個依據過程的觀測逐漸更新權重與收斂的過程,這種重取樣的過程必然會代入粒子耗散問題(depletion problem), 大權重粒子顯著,小權重粒子會消失(有可能正確的粒子模擬可能在中間的階段表現權重小而消失).

　圖優化方法利用圖的均值表示地圖，每個節點表示機器人軌跡的一個位置點和感測器測量資料集，箭頭的指向的連線表示連續機器人位置點的運動，每個新節點加入，地圖就會依據空間中的節點箭頭的約束進行計算更新．

獲得的每一幀laser scan資料，利用scan match在最佳估計位置處插入子圖（submap）中，且scan matching只跟當前submap有關。在生成一個submap後，會進行一次區域性的迴環（loop close），利用分支定位和預先計算的網格，所有submap完成後，會進行全域性的迴環。

利用已經獲得的地圖對鐳射束點陣進行優化, 估計鐳射點在地圖的表示,和佔據網格的概率.

為避免區域性最小而非全域性最優的出現,地圖採用多解析度的形式.

 自適應重取樣技術引入減少了粒子耗散問題 , 計算粒子分佈的時候不單單僅依靠機器人的運動(里程計),同時將當前觀測考慮進去, 減少了機器人位置在粒子濾波步驟中的不確定性.

KartoSLAM的ROS版本，其中採用的稀疏點調整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環檢測相關．landmark越多,記憶體需求越大,然而圖優化方式相比其他方法在大環境下製圖優勢更大.在某些情況下KartoSLAM更有效,因為他僅包含點的圖(robot pose),求得位置後再求map.

submap的構造是一個重複迭代配準scan和submap的過程。利用配準估算出pose對scan進行剛體變換，插入到submap中。

連續的scan用來構造submap，這裡submap以概率格網的形式表現。每一個scan，在插入格網（submap）時，每一個grid有hits和miss兩種情況。離scan終點最近的grid為hits，在scan原點和終點之間相交的grid為miss。之前未觀察的grid分配一個概率，已觀察的grid進行概率更新。