基于后端分类：
- 图优化方法
- 滑动窗口
- 滤波器方法：多传感器融合
基于图优化的方法：
主要分为图的构建和求解
帧间匹配算法：
- ICP及其变形（PI-ICP、NICP）
- CSM
- NDT
- 基于优化
- 基于特征
回环检测：
- scan-to-scan：当前scan与后面scan匹配，歧义较大
- scan-to-map ：将地图划分为一个个子图，讲当前scan与子图进行匹配
- map-to-map：当前scan与后面若干帧形成子图与前面的子图匹配，计算量较大
后端优化：
- 高斯牛顿方法
- LM方法
2D激光SLAM输入：
- IMU数据
- 里程计数据
- 2D激光雷达数据
2D激光SLAM输出：
- 覆盖栅格地图
- 机器人的轨迹或者位姿图
2D激光SLAM的帧间匹配方法：
- PL-ICP：点到线的距离，更符合室内结构化场景，依赖初始解
- CSM：暴力搜索，能找到最优解
- 基于优化方法：依赖于地图的梯度，可以轻易引入额外约束
- state of art：CSM+梯度优化
2D激光SLAM的回环检测：
- scan-to-map
- map-to-map
- 分支界限和延迟决策，防止误回环
2D激光SLAM的发展：
滤波：没有回环的概念
- EKF-SLAM：环境增大后状态量急剧增大
- FastSLAM：粒子滤波，每一个粒子表示一个地图
- Gmapping：FastSLAM升级版本
- optimal RBPF：进一步优化
基于图优化：
- Karto-SLAM：首个基于图优化的2D激光SLAM
- Cartographer：原理相似
数据预处理：
- 轮式里程计的标定
- 激光雷达运动畸变去除
- 不同系统之间时间同步（不同CPU）
视觉提供的信息：
- 高精度的里程计信息
- 信息量丰富的视觉地图
实际环境中的问题：
- 动态物体：高动态（行走的人和移动前后的物体）
- 环境变化
- 几何结构相似环境
- 建图的操作复杂
- 全局定位：信息量小
- 地面材质的变化
- 地面凹凸不平
- 机器人载重改变（与前两条一起影响里程计）
红色为传感器融合可以解决的问题
三维激光帧间匹配方法：
- Point-to-plane ICP：点到面的距离，类似于2D的点线
- plane-to-plane ICP（GICP）：面到面的距离
- NDT：划分网格、拟合高斯分布，速度快，三维用的比较多
- NICP：在ICP的基础上，引入法向量信息，（角度）精度高
- IMLS-ICP：对点云进行局部曲面拟合
- Feature-based Method：提取特征点和描述符进行匹配
三维激光雷达与视觉融合
激光slam的问题
- 退化环境
- 地图的动态更新
- 全局地位
- 动态环境定位：动态物体检测与跟踪解决