SLAM细碎内容积累_来自各种技术交流群_持续更新

标签：就是   工具   参考   rms   方法   情况下   ESS   线性   策略   

• 计算slam轨迹的rmse的开源程序

　　tum tool，EuRoC数据集的测评工具evo，或者高翔说小脚本自己写一下10分钟搞定。

• 如何解决光照变化情况下的特征点匹配问题？

　　策略1：室外没什么好的思路，室内的话机器人上弄个特定频段的红外光源，摄像头加带通滤光片，是比较直接有效的方法

　　策略2：当一种传感器不行的时候，这个时候就要考虑再加一个传感器，并且把两种传感器信号进行融合

• ukf

　　ukf的主要问题是协方差的正定性没有卡尔曼滤波那样有里卡提方程做保障，这是工程中的大忌讳

• ekf

　　扩展卡尔曼滤波

• ekf和ukf计算过程中都需要设置process noise convariance Q 矩阵，有没有相应的设置规则？

　　参考paul zarchan的书，比较工程，Fundamentals of Kalman Filtering A Practical Approach, Third Edition。这本书评价极高，详见http://bbs.loveuav.com/thread-333-1-1.html。

　　Q的参数设置非常不好调，必须保证滤波增益让系统收敛，滤波又比较容易进入稳态，增益后期会特别小，不起作用。因此总结为一句话就是要保证卡尔曼滤波在误差收敛之前不进入稳态。因此slam转向优化的方向是没错的，卡尔曼滤波一步更新，优化可以多次迭代。

• epf

　　particle filter  扩展粒子滤波

• 后端划分

　　欧式空间的卡尔曼滤波，欧式空间的非线性滤波(此处应是非线性优化)，非欧空间的非线性滤波（此处也应是非线性优化）。

　　其中第二种的论文和代码都比较成熟了，要关注的是第三种，也是slam领域的黄金成果，另外，就是集群，多个时间维度的平方根解法。

　　对于姿态这种非欧量，有的要在欧式的切空间上来搞，有的直接优化姿态。现在有直接优化姿态的方法：gtsam他们都是，后来看控制的left invariant kf也是这种操作，把3*3矩阵当3维流形耍。。。

• gmapping

SLAM细碎内容积累_来自各种技术交流群_持续更新

标签：就是   工具   参考   rms   方法   情况下   ESS   线性   策略   

原文地址：https://www.cnblogs.com/defe-learn/p/9736784.html