激光雷達建立地圖算法介紹
建圖算法：
1. hector_slam
要求: 高更新頻率、小測量噪聲的激光掃描儀,不需要里程計，可手持建圖。
在hector_slam程序中，最重要的是hector_mapping節點:
(1)訂閱的主題：
scan(類型：sensor_msgs/LaserScan)：激光雷達的掃描數據，通常由設備的運行的節點提供，例如：hokuyo node
syscommand(類型：std_msgs/String) ： 系統命令，直接受“reset”，當接受該命令時，重設map frame 和robot 位置到初始的狀態。
(2)發佈的主題：
map_metadata(類型：nav_msgs/MapMetaData)：發佈地圖Meta數據，其餘節點可以獲取到map元數據，鎖定並且定期更新。
map(類型：nav_msgs/OccupancyGrid)：發佈地圖柵格數據，其餘節點可以獲取到map數據，鎖定並且定期更新。
slam_out_pose(類型：geometry_msgs/PoseStamped)：無協方差的預估機器人姿態。
poseupdate(類型：geometry_msgs/PoseWithCovarianceStamped):使用高斯預估不確定性的預估機器人姿態。
(3)服務：
dynamic_map(類型：nav_msgs/GetMap)：使用該服務，獲取地圖數據。
(4)需要的tf
->base_fram激光雷達座標系與基座標系之間的變換，通常是固定值，由robot_state_publisher或者a tf static_transform_publisher發佈。
(5)提供的tf
map->odom ：在map座標系中預估的robot姿態，當pub_map_odom_transform爲true時發佈。
2. gmapping_slam: tutorial
目前激光2Dslam用得最廣的方法，gmapping採用的是RBPF的方法，優點是定位準確，但需要完整的硬件平臺。
更能實現的需求：
基於激光雷達
RB粒子濾波算法
二位柵格地圖
機器人里程計信息
OpenSlam算法
輸出地圖話題：nav_msgs/OccupancyGrid
主要節點：slam_gmapping
該slam_gmapping節點發生在sensor_msgs /激光掃描信息，並建立一個映射（nav_msgs / OccupancyGrid）。可以通過ROS 主題或服務檢索地圖。
（1）訂閱主題
tf（tf / tfMessage） ：需要進行激光，基準和測距的相關框架轉換，即激光雷達座標系與基座標系之間的變換。
scan （sensor_msgs / LaserScan）：激光掃描從中創建地圖。
（2）發佈主題
map_metadata（nav_msgs / MapMetaData）：從此主題獲取地圖數據，將其鎖定並定期更新。
map（nav_msgs / OccupancyGrid）：從此主題獲取地圖數據，將其鎖定並定期更新
〜entropy （std_msgs / Float64）：機器人姿態分佈的熵的估計值（較高的值表示較大的不確定性）。
（3）服務
dynamic_map（nav_msgs / GetMap）：調用此服務以獲取地圖數據。
（4） 必需的tf轉換
<傳入激光數據的框架> → base_link ：通常是固定值，由robot_state_publisher或tf static_transform_publisher定期廣播。
base_link → odom：通常由里程錶系統（例如，移動基座的驅動器）提供，
（5） 提供tf轉換
地圖 → odom ：在地圖框架內的機器人姿勢的當前估計。
3. karto_slam
karto_slam是基於圖優化的方法，用高度優化和非迭代cholesky矩陣進行稀疏系統解耦作爲解。圖優化方法利用圖的均值表示地圖，每個節點表示機器人軌跡的一個位置點和傳感器測量數據集，箭頭的指向的連接表示連續機器人位置點的運動，每個新節點加入，地圖就會依據空間中的節點箭頭的約束進行計算更新。
karto_slam的ROS版本，其中採用的稀疏點調整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環檢測相關。landmark越多,內存需求越大,然而圖優化方式相比其他方法在大環境下製圖優勢更大.在某些情況下karto_slam更有效,因爲他僅包含點的圖(robot pose),求得位置後再求map。
4. core_slam
core_slam是爲了更加簡單容易地理解性能損失最小化的一種slam算法。將算法簡化爲距離計算與地圖更新的兩個過程, 第一步,每次掃描輸入,用基於簡單的粒子濾波算法來計算距離,粒子濾波的匹配器用於激光與地圖的匹配,每個濾波器粒子代表機器人可能的位置和相應的概率權重,這些都依賴之前的迭代計算。選擇好最好的假設分佈,即低權重粒子消失,新粒子生成。在更新步驟,掃描得到的線加入地圖中,當障礙出現時,圍繞障礙點繪製調整點集,而非僅一個孤立點。
系統總體框架
整個移動機器人的控制系統如上圖所示。
具體的各功能模塊之間的任務結構如下圖所示，其中base_controller節點將訂閱的cmd_vel信息通過串口或其它通信接口發送給下位機（嵌入式控制板）。下位機中根據機器人運動學公式進行解算，將機器人速度轉換爲每個輪子的速度，然後通過CAN總線（或其它總線接口）將每個輪子的轉速發送給電機驅動板控制電機轉動。電機驅動板對電機轉速進行閉環控制（PID控制），並統計單位時間內接收到的編碼器脈衝數，計算出輪子轉速。
base_controller節點將接收到的cmd_vel速度信息轉換爲自定義的結構體或union類型的數據（自定義的數據類型中可以包含校驗碼等其它信息），並通過串口發送控制速度信息（speed_buf）或讀取機器人傳回的速度信息 (speed_buf_rev)。base_controller節點正確讀取到底層（比如嵌入式控制板）傳回的速度後進行積分，計算出機器人的估計位置和姿態，並將里程計信息和tf變換髮布出去。
ROS gmapping導航包，要求的2 個 輸入，一是激光數據，另一個是里程計信息。
里程計又包含2方面的信息：
一是位姿（位置和角度），即（x, y,θ）
二是速度，即（前進速度v和轉向速度ω）
里程計信息的數據獲取的途徑是：
1、採用ROS裏的package: laser_scan_matcher
首先laser_scan_matcher 這個包，這個包能根據/scan 數據發佈2D位姿的數據， 我們是否可以根據2D位姿數據來轉換成表示位置的下x，y, z 以及表示姿態的四元數。
速度的獲取：根據2D位姿和時間變量，來計算前進速度和轉向速度。2D位姿數據包含：float64 x, float64 y, float64 theta，根據dt 時間裏dx,dy，dtheta, 就可以算出前進速度，和轉向速度。如果2D位姿數據足夠精準，基本都用不上陀螺儀校準。
2、採用電機編碼器來獲取