第13章 机器人SLAM
13 第 13 章 机器人 SLAM：同时定位与地图构建¶
SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）是移动机器人自主导航的核心技术。机器人在未知环境中移动时，需要同时回答两个问题：「我在哪里？」和「周围是什么样的？」SLAM 正是解决这一「鸡生蛋」问题的关键框架。
学习目标：
- 理解 SLAM 问题的数学定义与核心挑战；
- 掌握 SLAM 的前端-后端架构与关键算法；
- 了解基于激光雷达的 SLAM 方法（Gmapping、Cartographer、LOAM）；
- 了解基于视觉的 SLAM 方法（ORB-SLAM、VINS）；
- 能在 ROS2 环境中运行 SLAM 并构建地图。
13.1 SLAM 问题概述¶
13.1.1 什么是 SLAM¶
想象一个机器人被放置在一个完全陌生的房间里。它没有地图，也不知道自己的确切位置。随着机器人移动并观察环境，它需要：
- 定位（Localization）：根据传感器观测推断自身位置；
- 建图（Mapping）：根据观测构建环境地图。
这两个任务相互依赖——精确定位需要准确的地图，而构建准确的地图需要精确的定位。SLAM 就是同时解决这两个耦合问题的技术框架。
图 13-1 上图以框图形式描绘了什么是 SLAM 的系统架构，清晰呈现了各模块之间的连接关系与信号流向。
13.1.2 SLAM 的数学定义¶
SLAM 问题可以形式化为概率估计问题。设：
- $\mathbf{x}_t$：时刻 $t$ 的机器人位姿（位置 + 朝向）
- $\mathbf{u}_t$：时刻 $t$ 的控制输入（如轮速）
- $\mathbf{z}_t$：时刻 $t$ 的传感器观测
- $\mathbf{m}$：环境地图
SLAM 的目标是计算后验概率分布：
$$ P(\mathbf{x}{1:t}, \mathbf{m} \mid \mathbf{z}{1:t}, \mathbf{u}_{1:t}) $$
即在给定所有观测和控制输入的条件下，联合估计机器人轨迹和地图。
13.1.3 SLAM 的核心挑战¶
表 13-1 SLAM 的核心挑战
| 挑战 | 说明 |
|---|---|
| 累积误差 | 里程计漂移随时间累积，导致地图变形 |
| 数据关联 | 判断当前观测对应地图中的哪个特征 |
| 回环检测 | 识别机器人重新到达之前访问过的位置 |
| 计算复杂度 | 地图规模增大时，优化计算量急剧上升 |
| 动态环境 | 行人、车辆等运动物体干扰地图构建 |
| 感知退化 | 长走廊、白墙等低纹理/低特征场景定位困难 |
13.2 SLAM 系统架构¶
现代 SLAM 系统通常采用前端-后端分离的架构：
图 13-2 该框图展示了 SLAM 系统架构的核心结构，读者可以从中把握各功能单元的层次划分与协作方式。
13.2.1 前端（Front-End）¶
前端又称「数据处理」或「视觉/激光里程计」，负责：
- 特征提取：从传感器数据中提取有用信息（关键点、线段、平面、扫描特征等）；
- 数据关联：将当前帧特征与已知地图/上一帧特征建立对应关系；
- 运动估计：计算相邻帧之间的相对运动（位姿变换）；
- 短期跟踪：维持实时的位姿估计。
前端对实时性要求高，通常需要在传感器帧率内完成处理。
13.2.2 后端（Back-End）¶
后端负责全局优化，核心任务：
- 位姿图优化：将所有位姿节点和约束构建为图，通过非线性最小二乘求全局最优解；
- 回环检测：发现机器人重新访问已知区域，添加约束消除累积误差；
- 地图融合：将局部地图合并为全局一致的地图。
后端可以容忍一定延迟（非实时），但优化质量直接决定地图的全局一致性。
13.2.3 状态估计基础¶
SLAM 的状态估计核心是递归贝叶斯滤波。两种经典方法：
扩展卡尔曼滤波（EKF）：
- 假设运动和观测模型为高斯分布
- 对非线性函数做一阶泰勒展开线性化
- 计算复杂度 $O(n^2)$（$n$ 为特征数量），大规模地图时不可行
- 经典 EKF-SLAM 是早期 SLAM 方法的代表
粒子滤波（Particle Filter）：
- 用一组加权粒子近似后验分布
- 无需高斯假设，可处理多模态分布
- 每个粒子维护一个位姿 + 地图假设
- Rao-Blackwellized 粒子滤波（RBPF）是 Gmapping 的核心
图优化（Graph-Based）：
- 现代 SLAM 的主流方法
- 将位姿和特征建模为图的节点，约束为边
- 通过最小化所有约束的误差求解
- 工具：g2o、GTSAM、Ceres Solver
13.3 SLAM 传感器¶
13.3.1 激光雷达（LiDAR）¶
激光雷达通过发射激光脉冲并测量反射时间获取距离信息。
2D 激光雷达（如 RPLIDAR A1/A2、Hokuyo UTM-30LX）：
- 输出：一圈 360° 的距离扫描（$r, \theta$ 极坐标点集）
- 频率：5-40 Hz
- 精度：±1-3 cm
- 应用：室内平面 SLAM、避障
3D 激光雷达（如 Velodyne VLP-16、Livox Mid-360）：
- 输出：三维点云（$x, y, z$）
- 线数：16/32/64/128 线
- 频率：10-20 Hz
- 应用：自动驾驶、室外 SLAM
表 13-2 激光雷达（LiDAR）
| 参数 | 2D LiDAR | 3D LiDAR |
|---|---|---|
| 输出 | 2D 扫描线 | 3D 点云 |
| 典型价格 | ¥500-5000 | ¥5000-100000 |
| 精度 | 1-3 cm | 1-5 cm |
| 抗光干扰 | 较好 | 好 |
| 环境适应 | 室内为主 | 室内外均可 |
上述参数配置是激光雷达（LiDAR）的典型推荐值，实际工程中可根据硬件条件和性能需求进行适当调整。
13.3.2 相机¶
单目相机：成本最低，但缺乏尺度信息（Scale Ambiguity）。
双目/立体相机（如 Intel RealSense D435, ZED 2）：通过视差计算深度，可直接获取 3D 信息。
RGB-D 相机（如 Azure Kinect, RealSense D455）：同时输出彩色图像和深度图，室内效果好。
表 13-3 相机
| 相机类型 | 深度信息 | 尺度 | 适用场景 |
|---|---|---|---|
| 单目 | 无 | 需初始化 | 室外、成本敏感 |
| 双目 | 有 | 已知基线 | 室内外 |
| RGB-D | 有 | 直接测量 | 室内（结构光受日光干扰） |
上表对相机中各方案的特性进行了横向对比，便于读者根据实际需求选择最合适的技术路线。
13.3.3 惯性测量单元（IMU）¶
IMU 提供高频（100-1000 Hz）的加速度和角速度数据。单独使用时漂移严重，但与 LiDAR 或相机融合后可显著提升 SLAM 鲁棒性：
- 预积分：在相邻关键帧之间积分 IMU 数据，作为额外的运动约束
- 快速运动：IMU 弥补视觉跟踪在快速运动时的不足
- 重力方向：提供全局重力参考，约束 roll 和 pitch
13.4 基于激光雷达的 SLAM¶
13.4.1 扫描匹配（Scan Matching）¶
扫描匹配是激光 SLAM 的基础操作——将当前扫描与参考扫描（或地图）对齐，估计两者之间的位姿变换。
ICP（Iterative Closest Point）算法：
输入：点集 P（当前扫描），点集 Q（参考扫描）
输出：旋转 R 和平移 t，使 P 对齐到 Q
1. 初始化 R=I, t=0
2. 重复直到收敛：
a. 对 P 中每个点 p_i，在 Q 中找最近点 q_i
b. 计算最小化 Σ||R·p_i + t - q_i||² 的 R, t
c. 用 R, t 更新 P
3. 返回累积的 R, t
ICP 的变体：
表 13-4 扫描匹配（Scan Matching）
| 变体 | 改进 |
|---|---|
| Point-to-Plane ICP | 误差度量改为点到平面距离，收敛更快 |
| GICP | 广义 ICP，考虑点云的概率分布 |
| NDT | 正态分布变换，将点云投射到体素网格的高斯分布 |
以上内容归纳了扫描匹配（Scan Matching）的关键要素，为后续深入学习和工程实践提供了参考依据。
13.4.2 Gmapping（基于粒子滤波的 2D SLAM）¶
Gmapping 是最经典的 2D 激光 SLAM 方法之一，基于 Rao-Blackwellized 粒子滤波（RBPF）。
图 13-3 上图直观呈现了 Gmapping（基于粒子滤波的 2D SLAM）的组成要素与数据通路，有助于理解系统整体的工作机理。
核心思想：
- 每个粒子代表一种可能的轨迹假设，携带一份独立的地图；
- 利用扫描匹配改进运动模型的提议分布，减少有效粒子的退化；
- 通过自适应重采样平衡粒子多样性和计算效率。
优点：成熟稳定，适合中小规模室内环境。
局限：粒子数影响计算量；不适合大规模环境；无显式回环检测，依赖粒子多样性。
13.4.3 Cartographer（基于图优化的 2D/3D SLAM）¶
Google Cartographer 是一个强大的 SLAM 系统，支持 2D 和 3D，采用子地图（Submap）+ 图优化架构。
图 13-4 上图以框图形式描绘了 Cartographer（基于图优化的 2D/3D SLAM）的系统架构，清晰呈现了各模块之间的连接关系与信号流向。
关键特性：
- 子地图机制：将环境分割为多个小地图，降低单次优化的规模；
- 分支定界回环检测：高效的全局搜索方法，不依赖前端的特征描述符；
- 多传感器融合：原生支持 IMU、里程计与激光雷达的融合；
- 实时性：前端满足实时要求，后端在后台异步优化。
13.4.4 3D 激光 SLAM：LOAM 系列¶
LOAM（Lidar Odometry and Mapping）是 3D 激光 SLAM 的里程碑工作，后续衍生出 LeGO-LOAM、LIO-SAM、FAST-LIO 等变体。
核心思想：
- 特征提取：从点云中提取边缘点（曲率大）和平面点（曲率小）；
- 激光里程计：高频（10 Hz）的帧间匹配，利用边缘-边缘和平面-平面的距离约束；
- 建图优化：低频（1 Hz）的全局地图优化，将新扫描融入全局点云地图。
表 13-5 3D 激光 SLAM：LOAM 系列
| 方法 | 特点 | 传感器 |
|---|---|---|
| LOAM | 边缘+平面特征，双频率架构 | 3D LiDAR |
| LeGO-LOAM | 地面分割优化，适合地面机器人 | 3D LiDAR |
| LIO-SAM | 紧耦合 LiDAR-IMU，因子图优化 | 3D LiDAR + IMU |
| FAST-LIO2 | 迭代卡尔曼滤波，无需特征提取 | 3D LiDAR + IMU |
13.5 基于视觉的 SLAM¶
13.5.1 视觉 SLAM 概述¶
视觉 SLAM（Visual SLAM, VSLAM）使用相机作为主要传感器。相比激光雷达，相机成本低、信息丰富（颜色、纹理），但对光照变化和快速运动敏感。
视觉 SLAM 的典型流程：
图 13-5 该框图展示了视觉 SLAM 概述的核心结构，读者可以从中把握各功能单元的层次划分与协作方式。
13.5.2 特征提取与匹配¶
特征点法是视觉 SLAM 的经典方法。常用特征：
表 13-6 特征提取与匹配
| 特征 | 描述维度 | 特点 |
|---|---|---|
| SIFT | 128 float | 尺度不变，计算慢 |
| SURF | 64 float | 类似 SIFT，更快 |
| ORB | 256 bit | 二进制描述符，极快，ORB-SLAM 的选择 |
| SuperPoint | 256 float | 深度学习特征，鲁棒性强 |
特征匹配流程：
- 在两帧图像中分别检测关键点；
- 计算每个关键点的描述符；
- 通过描述符距离（L2 或 Hamming）寻找最佳匹配；
- 用 RANSAC 剔除误匹配。
13.5.3 运动估计¶
根据可用信息的不同，运动估计有多种方法：
2D-2D（对极几何）：两帧均为 2D 图像坐标，通过本质矩阵 $E$ 或基础矩阵 $F$ 恢复相对运动。适用于初始化阶段。
3D-2D（PnP, Perspective-n-Point）：已知 3D 地图点和 2D 图像投影，求解相机位姿。SLAM 跟踪阶段的主力方法。
3D-3D（ICP）：两组 3D 点的对齐，适用于 RGB-D 相机。
13.5.4 Bundle Adjustment（BA）¶
BA 是视觉 SLAM 后端优化的核心——同时优化所有相机位姿和 3D 地图点，最小化重投影误差：
$$ \min_{\mathbf{T}i, \mathbf{p}_j} \sum{i,j} | \mathbf{z}_{ij} - \pi(\mathbf{T}_i, \mathbf{p}_j) |^2 $$
其中 $\mathbf{T}i$ 是第 $i$ 帧的位姿，$\mathbf{p}_j$ 是第 $j$ 个地图点，$\pi$ 是投影函数，$\mathbf{z}{ij}$ 是观测。
BA 通常使用 Levenberg-Marquardt 算法求解，利用稀疏性加速（Schur 补 / 边际化）。
13.5.5 ORB-SLAM 系列¶
ORB-SLAM（1/2/3）是最具代表性的特征点视觉 SLAM 系统。
图 13-6 上图直观呈现了 ORB-SLAM 系列的组成要素与数据通路，有助于理解系统整体的工作机理。
关键特性：
-
三线程并行：跟踪、局部建图、回环检测分离，实时性和精度兼顾；
-
ORB 特征：速度快，旋转不变，适合实时系统；
-
DBoW2 回环检测：Bag of Words 视觉词袋，高效识别重访场景；
-
多传感器支持（ORB-SLAM3）：单目、双目、RGB-D、单目+IMU、双目+IMU。
13.5.6 视觉惯性 SLAM（VIO/VINS）¶
表 13-7 视觉惯性 SLAM 融合相机和 IMU，是当前最实用的方案之一：
| 系统 | 融合方式 | 特点 |
|---|---|---|
| VINS-Mono | 紧耦合，滑窗优化 | 单目+IMU，精度高 |
| VINS-Fusion | 紧耦合，多传感器 | 支持双目/GPS 融合 |
| MSCKF | 多状态约束卡尔曼 | 计算效率高 |
| ORB-SLAM3 | 紧耦合，BA 优化 | 地图复用，回环检测 |
视觉和 IMU 的互补性：
- 相机：低频（30 Hz）、提供绝对尺度（双目/RGB-D）或相对尺度、对快速运动和低纹理敏感；
- IMU：高频（200+ Hz）、提供加速度和角速度、短期准确但长期漂移；
- 融合：IMU 弥补帧间运动估计、提供重力方向；相机修正 IMU 积分漂移。
13.6 回环检测¶
回环检测（Loop Closure Detection）是 SLAM 系统消除累积误差的关键。当机器人重新回到之前访问过的位置时，回环检测识别这一事件，后端利用这一约束修正整条轨迹。
13.6.1 视觉回环检测：词袋模型¶
Bag of Words（BoW）是最经典的视觉回环检测方法。
工作流程：
- 离线训练：从大量图像中提取特征描述符，用 K-Means 聚类生成视觉词典（通常包含数万个视觉单词）；
- 在线描述：对每帧图像提取特征，将每个描述符映射到最近的视觉单词，形成该帧的 BoW 向量（频率直方图）；
- 相似度计算：比较当前帧和历史关键帧的 BoW 向量相似度；
- 几何验证：对相似度高的候选帧做特征匹配和几何一致性检查，确认回环。
代表库：DBoW2（ORB-SLAM 使用）、FBoW。
13.6.2 激光回环检测¶
表 13-8 激光 SLAM 的回环检测方法：
| 方法 | 描述方式 | 特点 |
|---|---|---|
| Scan-to-Scan Matching | 将当前扫描与历史扫描直接匹配 | 精确但计算量大 |
| ScanContext | 将 3D 点云编码为极坐标环形描述符 | 旋转不变，高效 |
| Branch-and-Bound | Cartographer 使用的分支定界搜索 | 适合栅格地图 |
| LiDAR Iris | 类 Iris 的二进制全局描述符 | 快速检索 |
13.7 地图表示¶
SLAM 构建的地图有多种表示方式，适用于不同场景：
13.7.1 栅格地图（Occupancy Grid Map）¶
将环境离散化为 2D 网格，每个格子存储占据概率：
- 0 = 空闲，1 = 占据，0.5 = 未知
- 导航的标准输入（Nav2 的 Costmap 就是基于栅格地图）
- 存储效率 $O(n^2)$，适合室内中小规模环境
13.7.2 点云地图（Point Cloud Map）¶
直接存储 3D 点的坐标（和可选颜色/反射率）：
- 信息丰富，表达力强
- 存储量大（百万级点常见）
- 可通过体素滤波降采样
13.7.3 八叉树地图（OctoMap）¶
基于八叉树的概率化 3D 地图：
- 自适应分辨率：精细区域细分、空旷区域粗分
- 存储效率远优于稠密点云
- 支持概率更新，可处理动态变化
13.7.4 地图类型对比¶
表 13-9 地图类型对比
| 地图类型 | 维度 | 存储效率 | 信息丰富度 | 典型用途 |
|---|---|---|---|---|
| 栅格地图 | 2D | 高 | 中 | 2D 导航 |
| 点云地图 | 3D | 低 | 高 | 3D 重建、视觉定位 |
| 八叉树 | 3D | 中 | 中 | 3D 导航、规划 |
| 特征地图 | 2D/3D | 极高 | 低 | 纯定位（无稠密重建） |
| 语义地图 | 2D/3D | 视实现 | 极高 | 人机交互、任务规划 |
13.8 ROS2 中的 SLAM 实践¶
13.8.1 SLAM Toolbox¶
SLAM Toolbox 是 ROS2 推荐的 2D SLAM 包，由 Steve Macenski（Nav2 的主要作者）开发。
安装与使用：
# 安装
sudo apt install ros-humble-slam-toolbox
# 启动（在线模式）
ros2 launch slam_toolbox online_async_launch.py
# 在 RViz2 中查看地图
ros2 run rviz2 rviz2
# 添加 Map 显示，话题选择 /map
配置文件示例（slam_toolbox_params.yaml）：
slam_toolbox:
ros__parameters:
# 基本参数
odom_frame: odom
map_frame: map
base_frame: base_link
scan_topic: /scan
mode: mapping # mapping 或 localization
# 扫描匹配参数
resolution: 0.05 # 地图分辨率（米/像素）
max_laser_range: 20.0 # 最大激光范围
minimum_travel_distance: 0.5 # 最小移动距离
minimum_travel_heading: 0.5 # 最小转向角度
# 回环检测
do_loop_closing: true
loop_match_minimum_chain_size: 10
13.8.2 Cartographer ROS2¶
# 安装
sudo apt install ros-humble-cartographer ros-humble-cartographer-ros
# 启动 2D SLAM
ros2 launch cartographer_ros cartographer.launch.py \
use_sim_time:=true
Cartographer 配置（my_robot.lua）：
include "map_builder.lua"
include "trajectory_builder.lua"
options = {
map_builder = MAP_BUILDER,
trajectory_builder = TRAJECTORY_BUILDER,
map_frame = "map",
tracking_frame = "base_link",
published_frame = "odom",
odom_frame = "odom",
provide_odom_frame = false,
use_odometry = true,
use_nav_sat = false,
num_laser_scans = 1,
num_multi_echo_laser_scans = 0,
num_subdivisions_per_laser_scan = 1,
num_point_clouds = 0,
}
MAP_BUILDER.use_trajectory_builder_2d = true
TRAJECTORY_BUILDER_2D.min_range = 0.1
TRAJECTORY_BUILDER_2D.max_range = 20.0
TRAJECTORY_BUILDER_2D.use_imu_data = false
return options
13.8.3 保存与加载地图¶
# 保存地图（SLAM 完成后）
ros2 run nav2_map_server map_saver_cli -f ~/my_map
# 生成两个文件：
# my_map.pgm - 栅格地图图像
# my_map.yaml - 地图元数据（分辨率、原点等）
# 加载已有地图用于定位
ros2 run nav2_map_server map_server \
--ros-args -p yaml_filename:=~/my_map.yaml
13.8.4 完整 SLAM + 导航示例¶
# launch/slam_navigation.launch.py
from launch import LaunchDescription
from launch_ros.actions import Node
def generate_launch_description():
return LaunchDescription([
# SLAM
Node(
package='slam_toolbox',
executable='async_slam_toolbox_node',
parameters=['config/slam_params.yaml'],
),
# 导航
Node(
package='nav2_bringup',
executable='bringup_launch.py',
parameters=['config/nav2_params.yaml'],
),
# 可视化
Node(
package='rviz2',
executable='rviz2',
arguments=['-d', 'config/slam_nav.rviz'],
),
])
13.9 SLAM 算法对比与选型指南¶
13.9.1 主流 SLAM 算法对比¶
表 13-10 主流 SLAM 算法对比
| 算法 | 传感器 | 维度 | 后端 | 回环 | 实时性 | 适用场景 |
|---|---|---|---|---|---|---|
| Gmapping | 2D LiDAR | 2D | 粒子滤波 | 无 | 好 | 小型室内 |
| Cartographer | LiDAR+IMU | 2D/3D | 图优化 | 有 | 好 | 中大型室内外 |
| LOAM | 3D LiDAR | 3D | 特征匹配 | 无 | 好 | 室外 |
| LIO-SAM | LiDAR+IMU | 3D | 因子图 | 有 | 好 | 大规模室外 |
| FAST-LIO2 | LiDAR+IMU | 3D | 滤波 | 无 | 极好 | 高速运动 |
| ORB-SLAM3 | 相机+IMU | 3D | BA | 有 | 好 | 通用 |
| VINS-Fusion | 相机+IMU | 3D | 滑窗优化 | 有 | 好 | 无人机、手持 |
上表对主流 SLAM 算法对比中各方案的特性进行了横向对比，便于读者根据实际需求选择最合适的技术路线。
13.9.2 选型建议¶
图 13-7 上图以框图形式描绘了选型建议的系统架构，清晰呈现了各模块之间的连接关系与信号流向。
13.10 本章小结与拓展资源¶
13.10.1 关键知识点回顾¶
- SLAM 问题：在未知环境中同时估计位姿和构建地图，是概率估计问题；
- 系统架构：前端（特征提取、帧间匹配）+ 后端（图优化、回环检测）；
- 激光 SLAM：ICP 扫描匹配、Gmapping（粒子滤波）、Cartographer（子地图+图优化）、LOAM 系列（3D 特征匹配）；
- 视觉 SLAM：特征提取匹配（ORB）、BA 优化、ORB-SLAM 三线程架构、VIO 融合；
- 回环检测：BoW 视觉词袋（DBoW2）、ScanContext（激光）；
- 地图表示：栅格图、点云、八叉树、语义地图；
- ROS2 实践：SLAM Toolbox、Cartographer ROS2、地图保存与导航集成。
13.10.2 推荐学习资源¶
表 13-11 推荐学习资源
| 资源 | 说明 |
|---|---|
| 《视觉SLAM十四讲》（高翔） | 中文 VSLAM 经典，理论+代码 |
| 《Probabilistic Robotics》 | Thrun 等，SLAM 数学基础圣经 |
| OpenSLAM | 开源 SLAM 实现集合 |
| SLAM Toolbox 文档 | ROS2 官方推荐 2D SLAM |
| ORB-SLAM3 | 最完整的特征点视觉 SLAM |
| Cartographer | Google 激光 SLAM 系统 |
| LIO-SAM | 紧耦合激光惯性 SLAM |
以上内容归纳了推荐学习资源的关键要素，为后续深入学习和工程实践提供了参考依据。
13.10.3 课后练习¶
- 概念理解：解释 SLAM 中「定位需要地图，建图需要定位」这一循环依赖问题，说明 EKF-SLAM 和图优化方法各自如何打破这种循环。
- 2D SLAM 实践：在 ROS2 中使用 SLAM Toolbox，录制一段 rosbag（含激光扫描和里程计），回放并构建二维栅格地图。
- 回环检测：解释为什么回环检测对于大规模 SLAM 至关重要。如果机器人在一栋大楼中绕行一圈后回到起点，没有回环检测的 SLAM 系统会出现什么问题？
- 算法对比：选择一个室内场景和一个室外场景，分别推荐合适的 SLAM 算法并说明理由。
- 挑战练习：在 Gazebo 仿真环境中，使用 Cartographer 构建一个包含多个房间和走廊的 2D 地图，观察回环检测前后地图的差异。
13.11 本章测验¶
Quiz results are saved to your browser's local storage and will persist between sessions.
1) SLAM 问题的本质挑战是什么？
2) 基于图优化的 SLAM 后端中，"图"的节点和边分别表示什么？
3) 回环检测（Loop Closure）对 SLAM 系统的作用是什么？
4) 以下哪种 SLAM 算法基于粒子滤波？
Quiz Progress
0 / 0 questions answered (0%)
0 correct