hectorslam算法

‘壹’ 如何源码安装hector-slam

安装rwordseg工具包方式： 1、rJava在安装后除了对path配置正确外，还有个容易忽略的细节，即R版本的选择，如果JRE是64位的，那么R也应该要64位的版本，否则肯定会报错。如果是在Rstudio中启动R，那么要检查下启动的R的版本是哪个

‘贰’ 无人驾驶的核心是什么是如何运行的

4级或5级的自主驾驶很难有一个明确的标准来定义，自主驾驶应该不复杂。自动驾驶其实涉及三个问题:一、我在哪里？第二，我要去哪里？第三是怎么去。这三个问题的完整解决方案就是真正的自动驾驶。所以特斯拉升级的8000美元自动驾驶2.0只有部分线控功能，并不是真正的自动驾驶。福特、网络、谷歌做的都是真正的自动驾驶，远超特斯拉，两者差别巨大。

机器人定位有三种常见的类型:相对定位、绝对定位和组合定位。自动驾驶一般采用组合定位。首先，本体感受传感器如里程计和陀螺仪测量相对于机器人初始姿态的距离和方向，以确定机器人的当前姿态，这也称为轨迹估计。然后使用激光雷达或视觉感知环境，使用主动或被动识别、地图匹配、GPS或导航信标进行定位。位置的计算方法包括三角测量、三边测量和模型匹配算法。从这个角度来说，IMU也是自动驾驶必不可少的一部分。

同时，机器人定位实际上是一个概率问题，所以机器人定位算法有两个流派，一个是卡尔曼滤波，一个是贝叶斯推理。有扩展卡尔曼滤波器(EKF)、卡尔曼滤波器(KF)和无迹卡尔曼滤波器(UKF)。另一种是基于贝叶斯推理的定位方法。网格和粒子用于描述机器人位置空间，递归计算状态空间中的概率分布，如马尔可夫定位(MKV)和蒙特卡罗定位(MCL)。

在地图匹配中，必须有一个优先地图与之比较。这张地图不一定是厘米级高精度地图。有必要谈谈地图，它可以分为四类，即度量、拓扑、传感器和语义。我们最常见的地图是语义级地图。无人驾驶不是导弹。一般输入目的地应该是语义层面。毕竟人类的交通方式是语义层面，不是地理坐标。这是机器人和无人驾驶的区别之一。机器人一般不考虑语义，只需要知道自己在坐标系中的位置。全球定位系统提供全球坐标系的度量。未来，V2X将提供雷达和视觉探测距离(NLOS)之外的特定物体(移动的行人和汽车)的地图，或V2X地图。目前国内处于研究阶段的无人车大多采用GPS RTK定位，必须配合厘米级高精度地图才能获得语义信息，不可能做到真正的无人。

‘叁’ hector slam缺点

它的缺点主要就是它的产品外观比较大，携带的时候不是特别的方便，而且就是电路经常会出现一些故障。

‘肆’ rgbd传感器是什么

RGBD SLAM属于视觉SLAM中的一种，使用的RGBD传感器包括zed（双目立体，适用于室外）、Kinect（结构光，仅限室内）、Kinect v2（TOF，主要用于室内）等。

功能包

现在有比较多的现成的功能包可以进行学习和二次开发：

gmapping：

实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。相比Hector SLAM对激光雷达频率要求低、鲁棒性高（Hector 在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）。

而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测因此计算量小于Cartographer而精度并没有差太多。但是，不适合构建大场景地图，并且没有回环检测，因此在回环闭合时可能会造成地图错位，虽然增加粒子数目可以使地图闭合但是以增加计算量和内存为代价，不能像Cartographer那样构建大的地图。

hector_slam：

设计初衷Hector主要用于救灾等地面不平坦的情况，因此无法使用里程计，特点是用IMU解决了激光的运动畸变问题。虽然系统不提供明确的循环关闭能力，但对于许多真实世界场景来说它足够准确。

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。是Google开源的一个ROS系统支持的2D和3D SLAM（simultaneous localization and mapping）库。