参考链接：

cartographer环境建立以及建图测试（详细级）

Cartographer 源码解读（待更）

目前机器人使用中需要进行SLAM建图，因为移动机器人想要实现自主行走，核心在于实现自主定位导航，在自主定位导航技术中会涉及到定位、建图、路径规划等问题，而地图构建的好坏将直接影响机器人的行走路径。机器人想要到达某个目的地，需要和人类绘制地图一样，描述环境、认识环境的过程主要就是依靠地图。

而目前建图方式有激光雷达、视觉建图、还有深度学习等。今天介绍的cartographer**就属于激光slam。**主流的激光SLAM算法有hector、gmapping、karto、cartographer等。

下面简单的介绍几种SLAM算法：

  1. hector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。传感器的要求较高，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。

    hector基于优化的算法（解最小二乘问题），优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高。

  2. gmapping是一种基于粒子滤波的激光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。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。

    缺点：严重依赖里程计，无法适应无人机及地面不平坦的区域，无回环（激光SLAM很难做回环检测），大的场景，粒子较多的情况下，特别消耗资源。

  3. karto是基于图优化的SLAM算法，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。路标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。

karto采取的是spa(karto_slam)或g2o(nav2d), karto的前端与后端采取的是单线程进行。

  1. LagoSLAM 是线性近似图优化,不需要初始假设。基本的图优化slam的方法就是利用最小化非线性非凸代价函数.每次迭代, 解决局部凸近似的初始问题来更新图配置,过程迭代一定次数直到局部最小代价函数达到. (假设起始点经过多次迭代使得局部代价函数最小). 。假设图中每个节点的相对位置和方向都是独立的，作者求解了一个等价于非凸代价函数的方程组。为此，提出了一套基于图论的程序，通过线性定位和线性位置估计，得到非线性系统的一阶近似。
  2. cartographer是google开发的实时室内SLAM项目，cartographer采用基于google自家开发的ceres非线性优化的方法，cartographer的亮点在于代码规范与工程化，非常适合于商业应用和再开发。并且cartographer基于submap子图构建全局地图的思想，能有效的避免建图过程中环境中移动物体的干扰。并且cartographer支持多传感器数据（odometry、IMU、LaserScan等）建图，支持2D_SLAM和3D_SLAM建图。

能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。cartographer是google推出的一套基于图优化的SLAM算法。

cartographer算法并没有给人惊艳的感觉，但该算法的主要目标是实现低计算资源消耗，达到实时SLAM的目的，所以很适合嵌入式端的使用。