一、Gmapping是基于粒子滤波的算法。

缺点：严重依赖里程计，无法适应无人机及地面不平坦的区域，无回环（激光SLAM很难做回环检测），大的场景，粒子较多的情况下，特别消耗资源。

源码的核心函数：processScan（）

算法框架：

① drawFromMotion()运动模型（因为有这步，所以特别依赖里程计信息）

② scanMatch()扫描匹配

这里面有很多模型常用的

坐标变换之后，雷达数据映射到地图上，计算其距离最近障碍物的距离。

③ updateTreeWeights()权值更新

④ resample()重采样，为了降低退化现象，权重大的粒子多生成一些，很像遗传算法。

⑤ 地图更新updateMap()得到最优的粒子，按照他的扫描数据，利用占据栅格地图算法，更新地图。

二、Hector SLAM

基于优化的算法（解最小二乘问题），优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高。

核心函数：update()

① Matchdate()利用上一帧位置和此帧雷达扫描，运用构造的最小二乘问题，估计此帧位姿。

② UpdateByScan根据此帧位姿，雷达数据，利用占据栅格地图算法，更新地图。

扫描匹配算法：利用g2o解公式7，泰勒展开，运用双线性插值计算微分，雅克比矩阵。

函数M()该点是障碍物的概率。

三、Cartographer

累计误差较前两种算法低，能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。

先有一定数量的laser scan构建submap，由submap拼接成地图，所谓的回环检测，就是间隔一定数量的扫描进行一次所有submap的图优化（SPA，运用了分支定界原理进行加速），但这种用有误差的估计量去作为约束去优化估计量，总有种自己估计优化自己的嫌疑，跟喜欢视觉SLAM运用词袋模型检测是否回到之前来过的地方的算法。

位姿估计：先用相关性扫描匹配（CSM）给一个初值，然后构造一个最小二乘问题（与Hector超不多），求解精确的位置。

CSM：简单来说大概是：用激光末端点匹配取到占据栅格地图中的值，获得得分，取得分最高的作为初值。加上多分辨率计算可以加速，并且获得分辨率意义下的最优解。

用分支定界原理加速求解过程（相对于暴力求解），进行深度有限优先搜索，CSM计算得到初始最高分数，确定深度，分支就是进行拓展，定界就是剪枝。提高运算效率。

————————————————
原文链接：https://blog.csdn.net/Jeff_Lee_/article/details/77869987