SLAM包含了兩個主要的任務：定位與構圖，在移動機器人或者自動駕駛中，這是一個十分重要的問題：機器人要精確的移動，就必須要有一個環境的地圖，那么要構建環境的地圖就需要知道機器人的位置。
本系列文章主要分成四個部分：
在第一部分中，將介紹Lidar SLAM，包括Lidar傳感器，開源Lidar SLAM系統，Lidar中的深度學習以及挑戰和未來。
第二部分重點介紹了Visual SLAM，包括相機傳感器，不同稠密SLAM的開源視覺SLAM系統。
第三部分介紹視覺慣性里程法SLAM，視覺SLAM中的深度學習以及未來。
第四部分中，將介紹激光雷達與視覺的融合。

在1990年，[1]首次提出使用EKF（擴展卡爾曼濾波器）來逐步估計機器人姿態的后驗分布以及地標點的位置。實際上，機器人從未知環境的未知位置開始，通過反復觀測運動過程中的環境特征來定位自身的位置和姿態，然后根據自身的位姿都建周圍環境的增量圖，從而達到同時定位和地圖構建的目的。

實際上 定位問題是近年來非常復雜且熱點的問題。定位技術取決于環境對成本，準確性，定位頻率和魯棒性的需求，這可以通過GPS（全球定位系統），IMU（慣性測量單元）和無線信號等來實現[2]。但是GPS只能在室外工作，IMU系統具有累積誤差。無線技術作為一種主動系統，無法在成本和準確性之間取得平衡。隨著快速的發展，配備激光雷達，攝像頭，IMU和其他傳感器的SLAM近年來興起了。從基于過濾器的SLAM開始，基于圖的SLAM現在起著主要作用。該算法從KF（卡爾曼濾波器），EKF和PF&

總結

以上是生活随笔為你收集整理的SLAM综述之Lidar SLAM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。