Gmapping是應(yīng)用最為廣泛的2D slam方法，主要是利用RBPF（Rao-Blackwellized Particle Filters）方法，所以需要了解粒子濾波的方法（利用統(tǒng)計特性描述物理表達式下的結(jié)果）。

Gmapping在RBPF算法上做了兩個主要的改進：改進提議分布和選擇性重采樣。

隨著場景增大所需的粒子增加，因為每個粒子都攜帶一幅地圖，因此在構(gòu)建大地圖時所需內(nèi)存和計算量都會增加。因此不適合構(gòu)建超大型場景地圖。

并且沒有回環(huán)檢測，因此在回環(huán)閉合時可能會造成地圖錯位，雖然增加粒子數(shù)目可以使地圖閉合但是以增加計算量和內(nèi)存為代價。

Gmapping可以實時構(gòu)建室內(nèi)與室外中小場景地圖，在構(gòu)建中小場景地圖所需的計算量較小且導航方案精度較高。

建圖效果較為良好。

相比Hector SLAM對采集傳感器頻率要求低、魯棒性高（Hector 在機器人快速轉(zhuǎn)向時很容易發(fā)生錯誤匹配，建出的地圖發(fā)生錯位，原因主要是優(yōu)化算法容易陷入局部最小值）；

而相比Cartographer在構(gòu)建小場景地圖時，Gmapping不需要太多的粒子并且沒有回環(huán)檢測因此計算量小于Cartographer而精度并沒有差太多。

所以Gmapping不能像cartographer那樣構(gòu)建大的地圖，雖然無法一次性生成幾萬平米的地圖，但實際我們使用i5 8代芯片作為處理核心，建的地圖可以使用拼接方案達到使用效果，在上萬㎡使用也并未出現(xiàn)問題 。

Hector slam 利用高斯牛頓方法解決 scan-matching 問題，對傳感器要求較高。

其無需使用里程計，所以在不平坦區(qū)域?qū)崿F(xiàn)建圖的空中無人機及地面小車具有運用的可行性，利用已經(jīng)獲得的地圖對激光束點陣進行優(yōu)化，估計激光點在地圖的表示和占據(jù)網(wǎng)絡(luò)的概率，獲得激光點集映射到已有地圖的剛體變換，為避免局部最小而非全局最優(yōu)出現(xiàn)，地圖使用多分辨率。

需具備高更新頻率且測量噪音小的激光掃描儀，所以，在制圖過程中，robot的速度要控制在較低的情況下才會有比較理想的建圖效果，這也是它沒有回環(huán)的一個后遺癥。另外在里程計數(shù)據(jù)比較精確的情況下無法有效利用里程計信息。

優(yōu)點：

不需要使用里程計，所以使得空中無人機及地面小車在不平坦區(qū)域建圖存在運用的可行性；利用已經(jīng)獲得的地圖對激光束點陣進行優(yōu)化, 估計激光點在地圖的表示,和占據(jù)網(wǎng)格的概率；

利用高斯牛頓方法解決scan-matching 問題，獲得激光點集映射到已有地圖的剛體變換；為避免局部最小而非全局最優(yōu)，使用多分辨率地圖；導航中的狀態(tài)估計加入慣性測量系統(tǒng)（IMU），利用EKF濾波；

缺點：

成本高 ，需要掃描傳感器或雷達（LRS）的更新頻率較高滿足測量噪點小，但是在制圖過程中需要機器人速度控制在比較低的情況下，建圖效果才會比較理想，

這也是它沒有回環(huán)（loop close）的一個后遺癥；且在里程計數(shù)據(jù)比較精確的時候，無法有效利用里程計信息，造成數(shù)據(jù)的浪費 。

建圖效果標準，必須要機器人速度控制在比較低的情況下建圖效果才能好一點兒，以上建圖由于速度過快導致地圖發(fā)生偏移。在大地圖，低特征（distinctive landmarks）場景中，

hector的建圖誤差高于gmapping。這是由于hector過分依賴scan-match。特別是在長廊問題中，誤差更加明顯。hector_slam通過最小二乘法匹配掃描點，

且依賴高精度的激光雷達數(shù)據(jù)，因此掃描角度很小且噪點較大的外圍是不行的，匹配時會陷入局部點，地圖比較混亂。

KartoSLAM是基于圖優(yōu)化的方法，用高度優(yōu)化和非迭代 cholesky矩陣進行稀疏系統(tǒng)解耦作為解，圖優(yōu)化方法利用圖的均值表示地圖，

每個節(jié)點表示機器人軌跡的一個位置點和傳感器測量數(shù)據(jù)集，箭頭指向的連接表示連續(xù)機器人位置點的運動，每個新節(jié)點加入，地圖就會依據(jù)空間中的節(jié)點箭頭的約束進行計算更新。

ROS版本的KartoSLAM，其中采用的稀疏點調(diào)整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環(huán)檢測相關(guān)。landmark越多，內(nèi)存需求越大，然而圖優(yōu)化方式相比其他方法在大環(huán)境下制圖優(yōu)勢更大，在某些情況下KartoSLAM更有效，

因為他僅包含點的圖(robot pose)，求得位置后再求map。Karto最重要的點就是引入了后端優(yōu)化與回環(huán)檢測。在Karto之前誕生的激光SLAM如GMapping，Hector，都是沒有后端優(yōu)化與回環(huán)檢測的。

建圖效果較為良好。Karto的出現(xiàn)在激光SLAM的歷史上是個里程碑的事件。在Karto之前的激光SLAM中，如GMapping，Hector 都只有前端部分，也就是使用雷達數(shù)據(jù)進行掃描匹配以及建圖2個功能。

Karto將后端優(yōu)化與回環(huán)檢測引入到激光SLAM中，通過位姿圖結(jié)構(gòu)的優(yōu)化，來減小累計誤差。

Cartographer是基于圖優(yōu)化的方法建圖算法，其主要通過閉環(huán)檢測來消除構(gòu)圖過程中產(chǎn)生的累積誤差。用于閉環(huán)檢測的基本單元是submap。一個submap是由一定數(shù)量的laser scan構(gòu)成。將一個laser scan插入其對應(yīng)的submap時，會基于submap已有的laser scan及其它傳感器數(shù)據(jù)估計其在該submap中的最佳位置。

submap的創(chuàng)建在短時間內(nèi)的誤差累積被認為是足夠小的。然而隨著時間推移，越來越多的submap被創(chuàng)建后，submap間的誤差累積則會越來越大。

因此需要通過閉環(huán)檢測適當?shù)膬?yōu)化這些submap的位姿進而消除這些累積誤差，這就將問題轉(zhuǎn)化成一個位姿優(yōu)化問題。當一個submap的構(gòu)建完成時，也就是不會再有新的laser scan插入到該submap時，該submap就會加入到閉環(huán)檢測中。

閉環(huán)檢測會考慮所有的已完成創(chuàng)建的submap。當一個新的laser scan加入到地圖中時，如果該laser scan的估計位姿與地圖中某個submap的某個laser scan的位姿比較接近的話，那么通過某種 scan match策略就會找到該閉環(huán)。

Cartographer中的scan match策略通過在新加入地圖的laser scan的估計位姿附近取一個窗口，進而在該窗口內(nèi)尋找該laser scan的一個可能的匹配，如果找到了一個足夠好的匹配，則會將該匹配的閉環(huán)約束加入到位姿優(yōu)化問題中。

Cartographer的重點內(nèi)容就是融合多傳感器數(shù)據(jù)的局部submap創(chuàng)建以及用于閉環(huán)檢測的scan match策略的實現(xiàn)。

Cartographer整體可以分為兩個部分：Local SLAM和Global SLAM。

Local SLAM

·利用里程計(Odometry)和IMU數(shù)據(jù)進行軌跡推算，給出小車位姿估計值

·將位姿估計值作為初值，對雷達數(shù)據(jù)進行匹配，并更新位姿估計器的值

·雷達一幀幀數(shù)據(jù)經(jīng)過運動濾波后，進行疊加，形成子圖(submap)

Global SLAM

回環(huán)檢測后端優(yōu)化，全部子圖形成一張完整可用的地圖

優(yōu)點：

累計誤差低，能天然的輸出協(xié)方差矩陣，后端優(yōu)化的輸入項。成本較低的雷達也能跑出不錯的效果。沒有imu和odom，只有雷達也可以建圖，還可以手持建圖。

缺點：

內(nèi)存占用較大，算法體量較大，需要花上很久的時間才能稍微看得懂。

建圖效果優(yōu)異。它與Karto都是圖優(yōu)化框架，但有諸多不同，例如Karto采取的是spa圖優(yōu)化方法，而Cartographer采用的是google的ceres構(gòu)建problem優(yōu)化，Karto的前后端是單線程進行，而Cartographer采取的是多線程后端優(yōu)化。

而Cartographer也支持多傳感器融合建圖，可以處理來自激光雷達、IMU、里程計等傳感器的數(shù)據(jù)并給予這些數(shù)據(jù)進行地圖的構(gòu)建。

Cartographer在建圖的過程中可以隨意移動機器人，由于它的后端優(yōu)化，回環(huán)檢測的能力比較強，所以地圖一直保持很好的狀態(tài)。在建大圖的時候更能體現(xiàn)出來魯棒性良好。

總之，ROS機器人操作系統(tǒng)為機器人開發(fā)者提供了豐富的建圖算法選擇，每種算法都有其獨特的優(yōu)點和適用場景。在選擇建圖算法時，開發(fā)者應(yīng)根據(jù)機器人的任務(wù)需求、硬件配置和環(huán)境特點來權(quán)衡各種算法的優(yōu)劣。

無論是使用激光雷達、攝像頭還是其他傳感器，ROS都為不同的應(yīng)用提供了多種選擇，從SLAM到視覺SLAM，再到深度學習方法，都可以在ROS中找到相應(yīng)的解決方案。隨著機器人技術(shù)的進一步發(fā)展，我們可以期待更多創(chuàng)新的建圖算法出現(xiàn)，為機器人的自主導航和環(huán)境感知能力帶來更大的提升。

希望本文的比較和分析能夠幫助開發(fā)者在選擇合適的建圖算法時做出明智的決策，從而推動機器人技術(shù)的不斷進步。

OS-NANO具有多重導航算法功能開發(fā)和研究能力，歡迎大家使用學習。