几种SLAM算法跑出的效果比较-编程知识

几种SLAM算法跑出的效果比较

在这里插入图片描述
以下所有的SLAM算法均使用此辆ROS小车跑。

文章目录

1.Gmapping SLAM算法构建地图
2.Hector SLAM算法构建地图
3.Karto SLAM算法构建地图
4.Cartographer SLAM算法构建地图
5.深度摄像头的建图
6.rtab-map(深度双目与激光雷达构建三维建图)
7.ORB-SLAM
8.无奖竞猜

1.Gmapping SLAM算法构建地图

算法简介：

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。

算法效果：
在这里插入图片描述

2.Hector SLAM算法构建地图

算法简介：

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。

算法效果：
在这里插入图片描述

3.Karto SLAM算法构建地图

算法简介：

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.

算法效果：
在这里插入图片描述

4.Cartographer SLAM算法构建地图

算法简介：

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 scanmatching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。

算法效果：
在这里插入图片描述

5.深度摄像头的建图

算法简介：

提取深度图像获得障碍物地图，需要进行三维图像-伪激光图的转换。

算法效果：
在这里插入图片描述

6.rtab-map(深度双目与激光雷达构建三维建图)

算法简介：

RTAB-Map是具有实时约束的RGB-DSLAM方法，它是一种基于增量基于外观的闭环检测器的RGB-D，基于立体声和激光雷达图的SLAM方法。闭环检测器使用词袋方法来确定新图像来自先前位置或新位置的可能性。当接受循环闭合假设时，新约束将添加到地图的图形中，然后图形优化器将地图中的错误最小化。使用内存管理方法来限制用于闭环检测和图形优化的位置数量，以便始终遵守对大型环境的实时约束。
rtab-map的思想是：假设更频繁的被访问的定位点比其他的定位点更易于形成闭环。这样一个定位点被连续访问的次数就可以用来衡量其易于形成闭环的权重。当需要从WM转移定位点到LTM中时，优先选择具有最低权重的定位点。如果具有最低权重的定位点又有多个时，优先选择被存储时间最长的那一个。

算法效果：
在这里插入图片描述

7.ORB-SLAM

算法简介：

ORB-SLAM 是视觉 SLAM 系统。它是一个完整的 SLAM 系统，包括视觉里程计、跟踪、回环检测，是一种完全基于稀疏特征点的单目SLAM 系统，同时还有单目、双目、RGBD 相机的接口。其核心是使用 ORB (Orinted FAST and BRIEF)作为整个视觉 SLAM 中的核心特征。

算法效果：
链接: 自学SLAM（3）—保姆教程教你如何使用摄像头运行ORB-SLAM2