同时定位和映射
SLAM 是同时对机器人姿态和环境地图的估计。 SLAM 很困难，因为定位需要地图，而建图需要良好的姿态估计
- 本地化：在给定地图的情况下推断位置。
- 映射：推断给定位置的地图。
- SLAM ：学习地图并同时定位机器人。
SLAM 问题很难，因为它是一种悖论，即：
- 为了构建地图，我们现在需要位置。
- 为了确定我们的位置，我们需要一张地图。
这就像一个鸡蛋问题。
SLAM 有多个部分，每个部分都可以通过多种不同的方式执行：
- 地标检测
- 数据关联
- 状态估计
- 状态更新
- 地标更新
一步一步的SLAM
SLAM 步骤 1
>SLAM 步骤 2
大满贯第 3 步
SLAM 步骤 4
- SLAM 过程包括以下步骤：
- 第一步，它使用环境来更新机器人的位置。我们可以使用里程计，但它可能是错误的，我们不能只直接依赖里程计。
- 我们可以使用激光扫描环境来校正机器人的位置。但是，它在水下等某些环境中不起作用。
- 因此，可以通过从环境中提取特征来更好地识别机器人的位置。
扩展卡尔曼滤波器
扩展卡尔曼滤波器（EKF）是 SLAM 过程的核心。它是对非线性过程或测量关系的估计。它负责根据地标更新机器人认为它所在的位置。
激光和里程计数据
激光数据是从扫描中获得的读数，而里程计数据的目标是提供机器人的大致位置。里程计数据和激光数据的难点在于正确计时。
地标：地标是可以很容易地重新观察并与环境区分开来的特征。这些用于定位机器人。地标应该很容易获得，可以相互区分，环境中应该是丰富的并且是固定的
地标提取
在选择和决定地标之后，我们需要从机器人传感器的输入中提取地标。使用的两个基本地标提取是 Spikes 和 RANSAC。
- 尖峰
尖峰地标依赖于两个激光束之间变化很大的景观。这意味着该算法将在平滑环境中失败。
长钉
- RANSAC（随机抽样和共识）：
RANSAC 通过随机采样激光读数找到地标，然后使用最小二乘近似法找到贯穿这些读数的最佳拟合线。
RANSAC 共识
这背后的主要思想是将每个点分类为异常值和内部值，同时仅使用内部值来找到最适合该线的值并丢弃异常值。
数据关联
数据关联或数据匹配是将来自不同（激光）扫描的观察到的地标相互匹配。数据关联存在一些挑战，
- 该算法可能不会重新观察每一帧中的地标。
- 该算法错误地将地标与先前观察到的地标相关联。
执行数据关联的方法很少，我们将首先讨论最近邻算法：
- 首先，当您从激光扫描中获取数据时，使用地标提取来提取所有可见的地标。
- 之后，我们将所有提取的地标与可以观察到 >N 次的最近的地标相关联。
- 现在，我们输入提取的地标列表和数据库中先前检测到的地标列表，如果地标已经在数据库中，我们将它们的计数增加 N，如果它们不存在，则将它们的计数设置为1.
在上述步骤之后，我们需要执行以下更新步骤：
- 状态估计：在这一步中，我们使用里程表数据来获得当前状态估计。
- 状态更新：在这个阶段，我们通过重新观察地标来更新我们新的估计状态。
- 地标更新：在这一步中，我们添加在当前阶段检测到的新地标。
SLAM的应用
- SLAM 问题是让机器人自主的基础。它有各种各样的应用，我们想用地图来表示环境，如室内、水下、外太空等。
参考：
- 布法罗大学 SLAM 幻灯片