SLAM(simultaneous localization and mapping)全称即时定位与地图构建或并发建图与定位，它主要的作用是让机器人在未知的环境中，完成定位（Localization)，建图(Mapping)和路径规划(Navigation)。

目前，SLAM技术被广泛运用于机器人、无人机、无人驾驶、AR、VR等领域，依靠传感器可实现机器的自主定位、建图、路径规划等功能。

主流的slam技术应用有两种，分别是激光slam(基于激光雷达lidar 来建图导航)和视觉slam(vslam,基于单/双目摄像头视觉建图导航)。

经典的SLAM系统一般包含前端视觉里程计、后端优化、闭环检测和构图四个主要部分。

视觉里程计 (Visual Odometry)：仅有视觉输入的姿态估计；

后端优化 (Optimization): 后端接受不同时刻视觉里程计测量的相机位姿，以及闭环检测的信息，对它们进行优化，得到全局一致的轨迹和地图；

闭环检测 (Loop Closing): 指机器人在地图构建过程中, 通过视觉等传感器信息检测是否发生了轨迹闭环, 即判断自身是否进入历史同一地点;

建图 (Mapping): 根据估计的轨迹，建立与任务要求对应的地图。

视觉SLAM

依靠视觉传感器进行移动机器人的自身定位，其计算量相对激光 SLAM 较大。大多数视觉传感器是基于相机，按照工作方式的不同，相机分为单目相机、双目相机和深度相机。

单目相机拥有一个摄像头，记录二维的空间信息，通过采集环境的图像信息，再运用视觉几何原理获得机器人的位姿变换。单目相机由于结构问题，在三维空间或静态空间中无法获取到距离信息，容易产生误差，但其结构简单、成本低的优势备受初学者关注。

双目相机有两个摄像头，类似人的双眼判断距离，解决了单目相机易产生误差的劣势，但计算量较单目相机有所加大。由于双目相机测量环境深度信息的距离有限，双目视觉SLAM往往不适合在大场景下工作。

深度相机则运用了红外传感器技术，类似激光雷达通过发射并返回光来判断距离，相比于单目、双目相机，深度相机更容易获得环境的深度信息。其操作流程简洁，但其成本高、搭载困难，使得其应用场景有限，更适合室内的定位和导航，故深度相机目前还存在诸多局限。

激光SLAM

它有分为基于滤波的 filter-based 的SLAM，和基于图优化Graph-based的SLAM

基于滤波框架slam:

卡尔曼滤波: EKF UKF EIF 等

粒子滤波: PF RBPF FASTSAM 1.0 2.0 MCL

基于图优化框架slam:

Graph-slam 工具: g20

（1）基于Graph-based的代表是cartographer,karto_slam，可以修复 t 时刻之前的误差分为两部分Front-end ，和Back-end。

（2）基于(粒子滤波)PF的代表gmapping，只能估计X(t)当前时刻的位姿，不能修复之前时刻产生的误差。在大面积的情况下，就无法建图了。

一些机器人企业，其采用的激光SLAM无轨导航，可以使机器人实现自主规划路径，智能选择最优路径。融合激光雷达、防跌落悬崖传感器、超声波雷达、RGB-D深度相机多传感器，距离测算更加精准，快速应对复杂动态障碍，实现厘米级近距离智能灵活避障。

激光SLAM技术不仅可以在室内使用，还可以在室外使用，实现多场景平稳运行。

对比视觉SLAM，激光SLAM的可靠性高、技术成熟；建图直观、精度高、不存在累计误差；地图可用于路径规划。但激光SLAM受Lidar探测范围限制；安装有结构要求；地图缺乏语义信息。

部分资料来源：feidaji

原文链接：https://blog.csdn.net/feidaji/article/details/83992485