激光slam所用到的传感器：惯性测量单元（IMU）+轮式里程计+激光雷达
轮式里程计算角度误差会很大，一般用IMU计算角度，轮式里程计用来算距离，和激光融合在一起用来做slam
激光slam和视觉slam有一点不同：输出的地图数据只有两种：覆盖珊格地图和点云地图
帧间匹配算法
ICP：点地点
PI-ICP：点对线
NDT：2D里面用的很少，主要思想：将地图看作很多高斯分布的集合，用高斯分布的方式来匹配
CSM：相关方法，将搜索框分为很多分，完全不会陷入局部极值里面去，但是其他三种会陷入局部极值
回环检测
Scan- to-Scan(2D激光雷达不适用因为数据是在太少)
Scan- to-Map（catgrapher用）
Map- to-Map（讲课老师说好，但是目前尚没有应用的例子）
1.帧间匹配算法
PI-ICP：
CSM：对初值不敏感，也不会陷入局部极值，但是精度受限于分辨率
梯度优化方法：（将匹配问题转化为一个非线性最小二乘法优化问题，主要问题：对初值敏感）（使用例子heder-slam）
State of Art：CSM+梯度优化：将二者融合（catgrapher用这种方式）一般来说这种方式不会出现太差的结果，CSM保证不会陷入局部极值，梯度优化保证精度。
2.回环检测方法
Scan- to-Map（catgrapher用）
Map- to-Map（讲课老师说好，但是目前尚没有应用的例子）
Branch and Bound & Lazy Decision（分支定界和延迟决策）
基本上现在主流的2D激光雷达slam方法，用的是State of Art：CSM+梯度优化和Branch and Bound & Lazy Decision（分支定界和延迟决策）
3.2D激光slam的发展
基于图优化的：cartographer经常崩溃，基于spa的有一些问题。
***4.2D激光slam的应用***
数据的预处理---非常重要：1.轮式里程计的标定（offline/online）2.激光雷达运动畸变去除3.不同系统之间的时间同步
---
# 3D激光SLAM介绍：
***1.3D激光slam的输入***
IMU数据，里程计数据，3D激光雷达数据
***2.3D激光slam的输出***
3D点云数据，机器人的轨迹/posegraph
***3.3D激光salm帧间匹配算法***
point-to-plane ICP
NDT
feature-based Method
***4.回环检测方法***
Scan- to-Map（catgrapher用）
Map- to-Map（讲课老师说好，但是目前尚没有应用的例子）
Branch and Bound & Lazy Decision（分支定界和延迟决策）
基本上现在主流的2D激光雷达slam方法，用的是State of Art：CSM+梯度优化和Branch and Bound & Lazy Decision（分支定界和延迟决策）
***5.3D激光slam的发展***
1.LOAM-纯激光，均匀运动假设（认为一个车在一帧完整的数据时间是匀速运动的），无回环（精度足够高，所以没有）。
2.V-LOAM-视觉激光融合、漂移匀速假设，无回环
3.VELO-视觉激光融合，无运动畸变假设，有回环
***6.数据的预处理---非常重要：***
1.轮式里程计的标定（offline/online）
2.激光雷达运动畸变去除光融合、漂移匀速假设，无回环
3.VELO-视觉激光融合，无运动畸变假设，有回环
***6.数据的预处理---非常重要：***
1.轮式里程计的标
3.不同系统之间的时间同步