0 引言
传统定位方法：GPS（主要定位源）+IMU（辅助推算导航定位）
改进方法：
- GPS-->RTK 或者 IMU低精度-->高精度
- 基于1引入新的定位源
解释SLAM
1 3D激光雷达方案
激光SLAM分为两种
-
基于滤波器
-
基于图优化
分别阐述了两种方法的优缺点，还提到一篇文章讲“图优化方法为什么较滤波器方法能取得更优的效果” (周 等, 2021, p. 2)，还讲到了图优化的历程和图优化在2D上的实现，分析2D的局限性，最后回到3D
1.1 图优化方法
简述了图优化理论，为什么要构造误差函数，首先系统模型不可能完全精确（运动方程可能参数不精确），其次传感器观测不准确（任何传感器都有误差）。
将问题归结为图优化问题
1.2 图优化SLAM方案框架
基于图优化方案的SLAM可分为4个部分：扫描匹配、闭环检测、后端优化、点云地图存储
- 前端
- 后端
“图优化部分 是对前端构建的图信息进行非线性优化，取得尽量满足所有约束关系的最优解，最后输出姿态估计结果和全局点云地图” (周 等, 2021, p. 4)
1）扫描匹配
2）闭环检测
“通过识别是否到达历史场景促使地图闭环的能力，能够校正累积误差，从而产生全局一致性的映射地图。” (周 等, 2021, p. 4)
难点：
- 感知歧义：结构化相似场景，会加剧判断难度（比如长廊、隧道、楼梯）
- “如何建立易于处理的环境有效表征方式” ，点云稀疏导致找不到足够的特征，不能区分导致匹配错误
- “数据规模会随着运行时间增加而导致需要判 断的帧数据不断增长，会降低建图的实时性”
3）后端优化
“将各帧雷达的位姿和帧间运动约束综合 起来达到整体优化的一个过程，可以消除局部累计误差， 在大尺度的建图中，一般需要具备一个“监管者”来时刻 协调之前的轨迹，这便是 SLAM 的后端优化” (周 等, 2021, p. 4)
4）地图表示
2 研究热点及发展趋势
激光SLAM研究难点：局部稀疏性、数据量大、动态对象会引起噪声。
最大挑战：场景的不断变化
概述了LOAM--LEGO-LOAM--HDL_GRAPH_SLAM
2.1 激光惯性里程计
激光里程计：“Lidar 本身会受稀疏 性和运动扰动影响而导致感知准确度降低，以及在一些 Lidar 退化情况下其感知点数量会严重减少，这都会使激 光里程计的精度受到较大程度影响” (周 等, 2021, p. 6)，需要融合IMU来提升精度。
两种策略：
- 松耦合
- 紧耦合：“通过 IMU 测量提供状态 预测，同时测量更新被用于修正预测的状态” (周 等, 2021, p. 6)，也称为激光惯性里程计。代表性算法：“LIO_mapping” (周 等, 2021, p. 6)、“Liom” (周 等, 2021, p. 6)、“MC2SLAM” (周 等, 2021, p. 6)、“LIO-SAM” (周 等, 2021, p. 6)
研究重点：找到一种高效通用的方法实现激光惯性数据的紧耦合并提升精度
2.2 场景识别
用途：
- 历史场景的识别（闭环检测）
- 相对于存在地图的位姿估计（重定位）
未来趋势：
“场景识别的基本能力是能够有效地描述地图信息，因 此 地图描述的高效性和鲁棒性至关重要，能够增加机器 理解环境的能 力，几何信息与语义信息结合的描述形式将是未来的一个可能趋势” (周 等, 2021, p. 6)
2.3 后端优化
2.4 动态物体
2.5 结合深度学习
