後端優化兩種主要方法:
1.濾波(早期)
基於濾波方法:
(一)擴展卡爾曼濾波(視覺SLAM)
卡爾曼濾波(Kalman filter)一種利用線性系統狀態方程,通過系統輸入輸出觀測數據,對系統狀態進行最優估計的算法。
(二)粒子濾波(GMapping)
(三)高斯濾波(Hector-SLAM)
優勢:適合激光SLAM
缺點:計算量大,不適合大型場景
2.圖優化(graph-based slam)
過程:
構建圖 - >> 優化圖
構建圖:(前端(front-end))
機器人位姿當做頂點,位姿間關係當做邊。一般爲傳感器信息的堆積。
優化圖:(後端(back-end))
調整機器人位姿頂點儘量滿足邊的約束。
優化圖工具:g2o(General Graphic Optimization )
優勢:適合視覺SLAM
缺點:計算效率高