Simultaneous Localization and Mapping (SLAM) 源码

解决 SLAM 问题的方法
SLAM 问题的解决方案通常分为三大类：

1.基于卡尔曼滤波器：EKF、UKF、EIF
2.基于粒子过滤器：FastSLAM
3.基于图：lsSLAM
除了使用的方法之外，SLAM 算法在地图表示方面也有所不同。它们可以是（或两者）：

1.地标地图：每时每刻，观测都是特定地标的位置。这需要从一帧到下一帧的某种地标关联（使用类似SIFT的东西）。基于卡尔曼滤波器的 SLAM 方法通常使用这种表示。
2.基于网格的地图：地图被划分为盒子（因此是网格），每个盒子可以是三个值之一：空、填充或未知。例如，收集的观察结果可以是显示存在障碍物的激光雷达点。

下面显示的是 repo 中每个框架的结果：

1.命令模型：给定一个机器人位置和一个里程计命令，计算机器人的下一个位置。

2.扩展卡尔曼滤波器 (EKF)：EKF 使用泰勒展开线性逼近给定点周围的非线性函数（里程计模型），然后应用卡尔曼滤波器解决 SLAM 问题。蓝色是地标的预测位置，置信区间绘制为椭圆。

3.Unscented Kalman Filter (UKF)：UKF 是 EKF 的扩展：它不使用 Taylor 展开，而是使用 unscented 变换来计算一组 sigma 点，然后将其传递给非线性函数。这提供了非线性函数的更好的高斯近似。

4.网格地图：解决（仅）网格地图表示的映射问题。这假设本地化是完美的，没有任何错误（这在现实生活中显然不成立）。下面我们看到粗（左）或细（右）网格的效果。

5. 粒子过滤器：在里程计命令下实现粒子过滤器中粒子的运动，但没有任何类型的校正。
6. FastSLAM：基于粒子过滤器的 SLAM 算法。绿点显示每次迭代的粒子集。预测的“跳跃”是因为在下一次迭代中，可能会选择一个新粒子作为最可能的粒子。

7.里程计校准：使用最小二乘法消除机器人里程计读数中的任何系统误差。

8.lsSLAM：一种基于图的算法，使用最小二乘法来优化图结构

上面的代码是在 Octave / MATLAB 中编程的。它可以通过简单地运行octave每个子部分文件夹中的脚本来运行。

GitHub 下载：