第三篇：Scan to map 簡述

來自專欄激光雷達SLAM2 人贊了文章

第三篇:Scan to Map Match

本篇主要講述Scan to map方法

1. Scan to map ，即激光雷達掃描數據直接與地圖進行匹配，得到實際位置坐標[x,y,theta]。這種方式一邊計算位置，一邊把新掃描到的數據及時加入到先前地圖中。我這邊主要參考論文：A Flexible and Scalable SLAM System with Full 3D Motion Estimation。這裡我關心的只是二維激光雷達數據定位和建圖，文獻中的3D姿態估計等不涉及，只關心二維的。其實這篇文獻就是Hector的理論基礎。Google的Cartographer中前半部分submap建立就是用的這個方法，唯一區別就是原文獻的雙線性插值變成了Google的雙三次插值，這麼做應該是讓數據更加smooth，插值方式可以隨自己喜好，也可以選用其它數值計算相關書籍中的方法，這個主要是為了讓數值計算更加穩定，避免出現計算崩潰，數據越smooth，計算可靠性越好。本篇講訴比較簡短，因為實現太簡單了，編程很容易實現，這個前提是你要掌握非線性優化理論相關知識，因為文獻中用了高斯牛頓迭代法求解。這裡又出現了優化迭代方法，我在第二篇中也提出了一種高斯牛頓法簡化原文獻的計算思路。
2. 第二篇中的Scan to scan 主要用於精確的相對位置求解，那麼scan to map用來做什麼呢。因為Scan to map 對於地圖表示要求較高，一旦地圖建錯，後面將越來越錯，就算地圖不建錯，它也是有誤差在的。但是假如一張精確的地圖已知，我們可以用Scan to map 給個大致定位，這個才是主要目標。而且它的定位計算量較小，因此在車速較高時也是可以達到實時的。下圖就是我在十幾米長寬的房間實現的一張小地圖，一邊Scan to map，一邊把新的激光雷達數據加入地圖中。地圖50m*50m。

第三篇結束語：

本篇我講訴比較簡短，只選取了一篇代表性文獻資料進行實現，因為在SLAM中相關方法沒有太大的區別，而且Scan to map 在slam中不是特別有主導地位，比如說用來建圖還是有誤差，後端還是主要圖優化來建圖；它主要還是在前端作用，用來即時定位，這就是它的存在吧，因為計算量還是比較小的相比Scan to Scan。以後開始我要著重講訴圖優化原理方法，把圖優化理論用到激光雷達slam中可以說是激光雷達slam到了成熟期，理論上基本已經可以不需要再去研究了，最多只是計算效率怎麼提升下，因為它把地圖誤差消除處理的非常好，迴環誤差或者閉環誤差在圖優化理論下根本無處可躲。現在主流slam都轉向了視覺，更是由於神經網路，深度學習等等這幾年的再一次火熱，視覺slam成為了最新研究熱點，我目前不會講訴相關視覺slam，主要還是以激光雷達為主，也許以後再有機會研究討論下。

推薦閱讀：