如何提高激光slam 行走速度

如何提高激光slam 行走速度

SLAM涵盖的东西比较多，分为前端和后端两大块。
前端主要是研究相邻帧的拼接，又叫配准。
根据传感器不一样，有激光点云、像、RGB-D拼接几种，其中像配准中又分基于稀疏特征（Sparse）的和稠密（Dense）的两种。
后端主要是研究地拼接（前端）中累积误差的校正，主流就两种，基于概率学理论的贝叶斯滤波器（EKF，PF）以及基于优化的方法。
EKF已经用得很少了，PF也就在2D地SLAM（Gmapping）中用得多，大多还是用优化的方法在做。
自己已经说了这块需要的知识，一个是数学，一个是编程。
所以入门，也从这两块开始弄。
一、数学方面　　数学，建议楼上说过的Thrun的《probabilistic robotics》，其实不需要全部看完，了解下概率学是如何解决机器人中的问题的，关键学习贝叶斯滤波，也是就是贝叶斯公式在各个问题（定位，SLAM）中的应用。
另外，优化，建议先把最小二乘优化中给弄透彻，数学推导要会，因为很多问题，最后都是归结到最小二乘优化，然后就是梯度下降、求Jacobian之类的。
二、编程方面　　理论的东西是比较无聊的，必须得实战。
建议入门先写一发最小二乘优化，可以就做一个简单的直线拟合，不要用Matlab中的优化工具，了解数学推导最后是怎么写到代码里面的。
然后，一定要玩好Matlab优化工具包，做实验最方便了。
有了一些基础之后，可以尝试玩一些现有的SLAM包，推荐两个地方，一个是www.openslam.org，里面有各种SLAM包，主流的SLAM算法，在这一般都有源码。
另外一个就是ROS了，里面有很多现成的SLAM包，像Gmapping，RGB-D SLAM，上手非常快，甚至没有任何设备，也可以利用ROS中的仿真环境（如Gazebo）跑。
建议先试试Gmapping，百度上有很多中文教程，一开始跑这些package还是很涨成就感的，可以提高兴趣。
如果是做视觉或者RGB-D，那么OpenCV和PCL是必不可少的工具。
早点上手肯定没得错。
三、进阶　　大体入门之后，就需要根据实验室研究的项目来学习了，看是用激光、相机、还是Kinect来做了，不同传感器的前端算法还是有些差距的。
激光一般是ICP，相对简单。
视觉的东西还是比较多的，楼上推荐《Multiview Geometry in Computer Vision》确实很重要，不过，觉得这同时还应该了解特征提取、特征描述子、特征匹配这些东西。
如果们实验室做的Dense registration，那还得学李代数那些东西（高大上，神马李群看好多天都看不懂。
。
。
）。
其实，很多算法都有开源包，可以去ROS、一些大神博客、牛逼实验室主页中多逛逛。

激光雷达： 1．解析度高，测距精度高 2．抗有源干扰能力强 3．探测性能好 4．不受光线影响 5．测速范围大 视觉（主要是摄像头）： 成本低廉，用摄像头做算法开发的人员也比较多，技术相对比较成熟。摄像头的劣势，第一，获取准确三维信息非常难（单目摄像头几乎不可能，也有人提出双目或三目摄像头去做）；另一个缺点是受环境光限制比较大。