2 LOAM前端LOAM的整体思想就是将复杂的SLAM问题分为：1. 高频的运动估计； 2. 低频的环境建图。

主要介绍3D激光SLAM中前端激光里程计的匹配基础算法原理,以及室外导航中定位NDT算法原理

LOAM框架分析1. 整体介绍2. 回环检测2.1 非学习方法(Scan-Context)2.22.2 学习方法(SegMap)2.3 学习方法(PointNet++)1. 整体介绍1.1 回环原理1.2 回环方法2. 回环检测2.1 非学习方法(Scan-Context)2.22.2 学习方法(SegMap)2.3 学习方法(PointNet++)参考1参考2参考3参考4[参考5]https:/

本文旨在系统解析 LIO-SAM（Lidar Inertial Odometry via Smoothing and Mapping）这一高精度、实时的激光雷达-惯性里程计框架。文章面向机器人、自动驾驶及SLAM领域的研究者、工程师与学习者，旨在帮助读者深入理解其基于因子图优化的核心思想、多传感器紧耦合的工作机制，以及在实际系统中的应用价值。全文将从 LIO-SAM 的核心思想——因子图优化入手，

SLAM算法-因子图优化 1 整体介绍1.0 概率图模型1.0.1 表示1.0.2 贝叶斯网络1.0.31.1 因子图1.2 平滑与优化1.3 稀疏分解1.4 增量与建图1.5 流形 优化2 案列分析2.1 惯性导航2.2 3D建图1 整体介绍1.0 概率图模型因子图属于概率图模型(PGM)中的一种，先介绍PGM知识。主要包括三部分：表示，推理，学习。1.0.1 表示图是由节点和边构成的抽象网络图

本文旨在系统解析 LIO-SAM（Lidar Inertial Odometry via Smoothing and Mapping）这一高精度、实时的激光雷达-惯性里程计框架。文章面向机器人、自动驾驶及SLAM领域的研究者、工程师与学习者，旨在帮助读者深入理解其基于因子图优化的核心思想、多传感器紧耦合的工作机制，以及在实际系统中的应用价值。全文将从 LIO-SAM 的核心思想——因子图优化入手，

2 LOAM前端LOAM的整体思想就是将复杂的SLAM问题分为：1. 高频的运动估计； 2. 低频的环境建图。

粒子滤波原理1 基础介绍1.1 隐马尔科夫链1.1.1 马尔科夫链性质1.1.2 动态空间模型1.2 蒙特卡洛模拟1.3 贝叶斯推断1.4 状态估计模型2 粒子滤波2.1 概率分布2.2 采样2.3 重采样2.4 标准粒子滤波流程3 改进与优化3.1 改进率分布3.2 改进统计量3.3 AMCL与Gmapping1 基础介绍在总结粒子滤波之前，还是先从最基本的数学根源问题开始，本质上是一套基于马尔