“无尽的远方，无数的人们，都与我有关。” ----鲁迅
“灿烂的生命中一个忙碌的时辰，抵得上一世纪的默默无闻。”----欧·亨利
我的主页: Vlog大合集
我的主页: 什么都没有的一个仓库
我的主页: 日常观影记录
我的主页: 精神状态分享与照片合集
Fast-SLAM：一种基于Rao-Blackwillised Particle Filter的SLAM后端算法，包括Fast-SLAM1.0和Fast-SLAM2.0两个版本。
Fast-SLAM 1.0：该算法利用粒子滤波器跟踪移动机器人位姿参数,并且每一粒子单独维护一幅环境特征地图、每一个环境路标利用EKF算法来维护。
Fast-SLAM 2.0：在1.0版本的基础上，较好地解决了粒子退化的问题，使用较少的粒子就可以得到满意的SLAM结果。
受Fast-SLAM启发的算法：栅格地图Fast-SLAM、立体视觉Fast-SLAM、UFast-SLAM、CFast-SLAM等。
与EKF算法的区别：Fast-SLAM算法计算代价小、计算速度快、更适用于大尺度环境、数据关联鲁棒性更好。
若机器人路径已知，则各个地标点的位置估计是相互独立的，SLAM问题目标概率方程分解为：
前项为路径后验概率、后项为地表估计。FastSLAM由粒子滤波和多个单独的EKF构成，粒子滤波器估计移动机器人的路径、EKF根据式中参数完成对单个路标的估计。
FastSLAM中的粒子包含粒子的历史路径和对每个路标的估计，可以表示为：
FastSLAM分为预测，更新和重要性采样三个步骤。预测和更新步骤根据观测信息和控制信息形成临时粒子集，将临时粒子集对路径的估计称为建议分布。由于建议分布与目标分布不符，因此在重采样步骤对粒子赋予权重，权重大小为：
FastSLAM算法存在粒子退化的问题，即权重大的粒子数量少，粒子滤波器对路径的估计出现偏差。因此，FastSLAM算法需要对粒子进行重新采样。执行重采样步骤的判断方法为对有效粒子数设置阈值，当小于阈值N-neff时进行重采样。有效粒子数的计算方式为：
重采样问题：重采样步骤会导致粒子集中在权重较大的粒子附近，在降低粒子多样性的同时，若权重较大的粒子为局部最优解，则包含局部最优解信息的粒子数量过多，进而导致对下一时刻的粒子路径估计错误，导致粒子偏离正确轨迹。
卡尔曼滤波KF：Kalman Filter，是贝叶斯滤波的具体化，系统满足线性化和高斯分布假设，运动方程和观测方程都是线性。
扩展卡尔曼滤波EKF：Extended-Kalman Filter，考虑到SLAM系统模型为非线性，故将非线性函数泰勒展开并取前两项，即近似为线性函数，从而满足KF条件，再使用kalman Filter。
SLAM问题两大目标方程：
线性化处理后方程：
机器人实际模型
考虑二维机器人运动过程中时间的离散性：
1. 运动方程
2. 观测方程
SLAM过程参数矩阵（均值、方差）
EKF滤波原理
卡尔曼滤波前，landmarks位置由于噪声存在和累加，具有不确定性，观测呈椭圆范围。
卡尔曼滤波后，通过重复观测优化系统状态量，本质是通过计算卡尔曼增益来衡量模型的估计值和观测模型的结果。
关于EKF_SLAM的仿真，基于MATLAB代码，结果如图所示，机器人轨迹的真实值(黑色虚线)，运动模型预测的机器人轨迹(蓝色虚线)，EKF滤波后的机器人轨迹(红色虚线)。
EKF_SLAM适用的场景为特征地图，稀疏；需要里程计信息反馈（输入机器人位姿量）
SLAM：Simultaneous Localization and Mapping，指的是机器人在未知环境中同时进行自主定位和地图创建工作，其主要思想是：
1. 依靠已创建的地图信息进行自定位；
2. 根据定位结果对地图进行更新。
SLAM本质上是一个状态估计问题，当前，其求解方法可大致分为两大类：
1. 是基于滤波器的方法；
2. 是基于平滑的方法。
1. 激光SLAM
准确、快速、开发成熟，但相对笨重、成本较高。
2. 视觉SLAM
便宜、轻量、信息量大，但消耗较大算力、所有结果都是概率估计。
相机分类：
SLAM求解过程是一个状态估计过程。
[1]梁明杰,闵华清,罗荣华. 基于图优化的同时定位与地图创建综述_梁明杰[J]. 机器人, 2013, 35(4): 500-512.
[2]Durrant-whyte H.,Bailey T.. Simultaneous_localization_and_mapping_part_I[J].:
[3]高翔. 视觉SLAM十四讲[M]