最近剛定了畢業設計的題目，大概是做SLAM方向，恰好Google不久前開源了他的室內SLAM庫Cartographer，我就拿來用實驗室的Robot試了一下，總體效果還是很好的。

Cartographer是Google的開源SLAM庫，並且包含了ROS介面，主要依賴的感測器是鐳射雷達（Lidar）和慣性導航儀（IMU），用於2D和3D的室內SLAM。
它的設計目標是實現低計算資源消耗，實時優化，不追求高精度（可以達到r=5cm級別的精度）
Paper中說了，它主要的貢獻並不在演算法層面，而是提供了工程上高效率、Robust的程式碼實現（所以更要把它程式碼跑起來試一試~）。它的一個關鍵點在於將branch and bound（分支限界演算法）引入到 loop closure的過程中，提高與之前submap比較的效率。

演算法的基本思路可以看這個圖：

Scan是鐳射掃描的單幀資料，通過累加Scan來構建區域性地圖（Submap）。Cartographer的實現並沒有採用濾波方法，而是採用了類似圖優化的模型進行Pose estimation，具體的實現是用了Ceres scan matching(Ceres是Google自家的庫) 。
這樣構造出來的很多很多submap是會產生累計誤差的，最後通過Loop closing來消除這些誤差，完成閉環。

Cartographer的官方文件中提供了很多Demo，基本的ROS框架如下圖所示：

其中，Cartographer_node是它的主要模組，它訂閱了很多topic（ROS作業系統中的概念，如果不熟悉ROS可以參考它的tutorial：

我們的Robot上使用的是hokuyo的鐳射雷達，它提供了現成的ROS node，叫做urg_node，可以在ROS wiki上查詢使用方法。
IMU的publisher使用了python實現，它publish的資料型別是sensor_msgs/Imu。目前我只輸出了orientation，這個publisher還不夠完善，不過已經基本能用了。publisher的實現等完善後再放上來。

我分別在室內和室外測試了該演算法：
室內測試的視訊可以看這裡：百度網盤

在室外測試的時候很卡，不知道是因為我們的Robot上CPU不太夠用還是視覺化佔用的記憶體太大，這個我還要繼續研究下（因為離線跑Google資料的時候非常流暢），另外接下來還要補充SLAM的理論知識，並繼續瞭解其他的SLAM演算法。