一、Gmapping是基於粒子濾波的演算法。

缺點：嚴重依賴里程計，無法適應無人機及地面不平坦的區域，無迴環（鐳射SLAM很難做迴環檢測），大的場景，粒子較多的情況下，特別消耗資源。

原始碼的核心函式：processScan（）

演算法框架：

①  drawFromMotion()運動模型（因為有這步，所以特別依賴里程計資訊）

②  scanMatch()掃描匹配

這裡面有很多模型常用的

座標變換之後，雷達資料對映到地圖上，計算其距離最近障礙物的距離。

③  updateTreeWeights()權值更新

④  resample()重取樣，為了降低退化現象，權重大的粒子多生成一些，很像遺傳演算法。

⑤  地圖更新updateMap()得到最優的粒子，按照他的掃描資料，利用佔據柵格地圖演算法，更新地圖。

二、Hector SLAM

    基於優化的演算法（解最小二乘問題），優缺點：不需要里程計，但對於雷達幀率要求很高40Hz，估計6自由度位姿，可以適應空中或者地面不平坦的情況。初值的選擇對結果影響很大，所以要求雷達幀率較高。

核心函式：update()

①  Matchdate()利用上一幀位置和此幀雷達掃描，運用構造的最小二乘問題，估計此幀位姿。

②  UpdateByScan根據此幀位姿，雷達資料，利用佔據柵格地圖演算法，更新地圖。

掃描匹配演算法：利用g2o解公式7，泰勒展開，運用雙線性插值計算微分，雅克比矩陣。

函式M()該點是障礙物的概率。

三、Cartographer

累計誤差較前兩種演算法低，能天然的輸出協方差矩陣，後端優化的輸入項。成本較低的雷達也能跑出不錯的效果。

先有一定數量的laser scan構建submap，由submap拼接成地圖，所謂的迴環檢測，就是間隔一定數量的掃描進行一次所有submap的圖優化（SPA，運用了分支定界原理進行加速），但這種用有誤差的估計量去作為約束去優化估計量，總有種自己估計優化自己的嫌疑，跟喜歡視覺SLAM運用詞袋模型檢測是否回到之前來過的地方的演算法。

位姿估計：先用相關性掃描匹配（CSM）給一個初值，然後構造一個最小二乘問題（與Hector超不多），求解精確的位置。

CSM：簡單來說大概是：用鐳射末端點匹配取到佔據柵格地圖中的值，獲得得分，取得分最高的作為初值。加上多解析度計算可以加速，並且獲得解析度意義下的最優解。

用分支定界原理加速求解過程（相對於暴力求解），進行深度有限優先搜尋，CSM計算得到初始最高分數，確定深度，分支就是進行拓展，定界就是剪枝。提高運算效率。

                                                         如有錯誤請指出