正文
一、地图类型
1、按地图类型分类
a、栅格图(grid maps)：将地图分为m*n的栅格，每个栅格内的数值代表是否被占用(参考ROS官网上的costmap：http://wiki.ros.org/costmap_2d)。
b、地标图(landmark-based maps)：基于地标建图，已知某些标志物在地图中的确定位置，比如视觉导航时添加的二维码等。
2、按建图原理分类
a、占用图(occupancy maps)：对于每个栅格单元，代表是否被占用；
b、反射图(reflection maps)：对于每个单元，表示传感器束反射的概率。
详细说明：
在某空旷区域建图，当使用占用图(a)方法时，只要传感器没有接收到返回信号，就认为前方是未被占用的；
当使用反射图(b)方法时，在没有接收到返回信号时，依旧认为前方是未知区域，只有接受到传感器信号后，才更新被占用区(障碍物位置)、未被占用区(机器人与障碍物之间)。
占用栅格图(a)
反射图(b)
对比两幅地图，反射图呈现出较多灰度值，这是由于其原理导致这些点被更新的次数较少。如果希望地图更加清晰明了，可以让机器人在这些灰度点附近多往复运动，提高更新次数。
可见，反射图较占用图建立地图的效率低一些，但是它也有自己的优势：地图信息更可信、可以检测到玻璃（图b中红色区域）。目前，室内导航基本使用反射图。
二、构建地图
1、建图原理：
根据运动模型获取机器人的移动路径；根据传感器模型获取移动路径上周边环境的信息，两者匹配起来得到完成地图。
2、SLAM难点：
由于机器人的移动路径与周边环境的信息都是未知的，且移动路径的误差随着机器人的移动而不断累积；当环境信息是之前已经检测到并构建到地图中时，将该信息作为地标来修正机器人的移动路径信息，使机器人的移动路径的误差收敛。
3、算法流程（基于扩展卡尔曼滤波EKF）：
a、预测机器人状态：基于运功动模型，预测机器人当前位置状态；
b、预测测量量：基于a得到的预测位置，预测应该得到哪些测量量；
c、测量：测量当前真实环境信息；
d、数据融合：利用EKF将b、c中的信息融合；
e、更新机器人状态：根据d的结果，更新机器人位置状态，收敛误差；
f、更新地图：根据d、e，更新地图数据。
4、算法介绍
a、建图开始时，将机器人当前位置设为已知的起始点，此时建立一个3x1的向量Xk，一个3x3的矩阵Ck。Xk代表已知点，Ck代表已知点之间的关系；
b、随着机器人的移动及环境信息的输入，将更新的地标信息m1、m2、...添加到Xk、Ck中。
（此处为方便表述，用XR代表初始状态xk、yk、θk）
矩阵Ck中，对角线Cr、Cm1、Cm2、...Cmn代表不同的地标信息，其他元素代表对应行、列上地标信息的位置关系。比如Cm1m2代表Cm1地标与Cm2地标的位置关系。
c、闭环检测
当机器人又回到已经识别的区域时，通过重新审视已经映射的区域，可以减少机器人和地标估计的不确定性。
其中一种方法是，当环境信息真实测量值与原有测量值的差小于某一设定阈值，认为这两点是重合的，并据此重新更新机器人当前位置；当该差值大于设定阈值，认为是新的地图信息并添加到地图中。
在上述Ck矩阵中，当机器人再次检测到Cm2地标，则会根据新的测量值修正Ck矩阵的中Cm2所在的行、列元素的值，代表Cm2与其他所有地标的相对位置关系发生了变化。
三、其他SLAM
SLAM算法按类型可分为online-slam与full-slam；
online-slam：每检测到环境信息就进行计算与更新，例如gmapping、fast-slam；
full-slam：检测到一定的环境信息才进行计算与更新，又称lazy-slam，例如graph-slam。
此外，还有开源的MRPT与google的cartographer。
当然也欢迎大家添加EAI的微信公众号进行讨论。
