SLAM 是simultaneous localization and mapping的缩写，中文名称翻译为同时定位与地图构建。
最近，在机器人的导航领域，SLAM大火。作为一个对SLAM略知一二的选手，也想记录一下自己对SLAM的理解，整理一下自己的思路。
SLAM目前大量用于机器人导航领域，要进行导航，简而言之，一般需要几大块:
- 建图。机器人得知道自己将要在一个什么样的环境里面运动。这个环境提前是不知道的，机器人需要在里面跑一段时间之后，才能知道整个的外部环境是怎么样的，才能建成外部的图。
- 定位。简单来说就是，我在哪里。
- 路径规划。 我现在在这里，我要去另一个地方，我怎么去呢？ 中间肯定有很多障碍物，我如何绕开这些障碍物，选择一条最合适的路径，到达我们的目的地呢？
- 运动。让机器人的轮子，按照步骤3规划好的路径前进。
SLAM目前常见的分为两大类:激光SLAM和视觉SLAM。
激光SLAM使用的Sensor是激光雷达，测距建图时，激光SLAM比视觉SLAM准。缺点是，激光雷达在室外效果不好，所以激光SLAM常用于室内导航。另外，激光雷达扫描的是一个二维平面。比如室内有一个桌子，激光SLAM的高度如果低于桌面，那么它就只能扫描到4个桌腿，于是机器人就有可能会撞上桌子面。另外,激光SLAM面对玻璃墙时，可靠性不高。当然，玻璃是千古难题，视觉SLAM本身也不见得有多好的解决方案，工程上对付玻璃的常见办法是在机器人上加一个测距的超声波。
视觉SLAM通常使用多目摄像头。多个摄像头拍到同一个物体，提取上面的特征点进行匹配。然后，由于这几个摄像头本身的物理距离是固定已知的，通过立体视觉的算法，就能算出物体的实际距离了。视觉SLAM对视觉匹配算法的要求较高，如果算法出错，算出来的距离会差很多。所以，不如激光SLAM那种直接用激光测出来的距离可靠。当然，视觉SLAM基于单目也有相应的做法，但是计算量大而且可靠性都不好，实际应用较少。
目前的常见的建图和定位算法: cartogragher
经典的路径规划算法:全局路径规划RRT和A* 局部路径规划DWA
机器人的运动，现在靠谱使用的都是依靠轮子的轮式机器人。我们曾经尝试做过双足，但是后来失败了。轮式机器人的运动中，会有一些常见问题：比如轮子打滑；比如两轮的同步的问题。
两轮同步的问题: 比如让机器人走一段直线，理论上走直线是很简单的，实际工程这是一个很复杂的过程。左右轮不可能绝对对称，所以机器人必然会往左或者往右偏，如果运动轨迹是闭环的，这种误差会相互抵消，稍微好点；但是如果轨迹是开环的，这个误差会非常明显。这时我们就需要进行实时的修正。
于是我们就需要IMU了。
于是我们就需要底盘融合信息。
于是我们就需要卡尔曼滤波了。