激光slam :5基于图优化的激光SLAM 方法(Grid-based)

课程内容

之前说的都是基于滤波器的，典型的就是gmapping算法在估计的时候只是估计当前的位置xt，那么一旦x0:t-1中间出现错误的话，那么估计xt出错的可能性就会越来越大。

基于滤波器的算法每次估计的是xt，当前时刻的位姿。而图优化估计的是x0:t，估计的是一个轨迹，轨迹上的每一个位姿都会进行估计，假设当你在某点出现一个很大的误差的时候，那么当他回到误差点的时候他可以对这个误差进行消除。

图优化最终的求解是要用到非线性最小二乘法。

Graph-based SLAM

Graph-base SLAM把SLAM分为两部分，前端和后端。前端构图（帧间匹配，回环检测），后端优化。用图来表示SLAM的问题，图中节点表示机器人的位姿，两个节点之间的边表示两个位姿的空间约束。

Graph-base SLAM：构建图，并找到一个最优的配置（机器人在各节点中的位姿），让里程计预测值与激光雷达的观测值的误差最小（最小二乘）。注意他是各节点中的位姿，也就是说x1到t时刻的位姿都需要找。

1.概念

非线性最小二乘原理

1.解决的问题