SLAM技术分类
SLAM资源
技术分类
基于这两种传感器有激光SLAM和视觉SLAM。
视觉传感器
稀疏法(特征点):
半稠密法:
稠密法:
其他
激光传感器
- Hector SLAM[18]
- Gmapping [19]
- tinySLAM（基于蒙特卡洛定位算法的简单SLAM实现） [svn co https://svn.openslam.org/data/svn/tinyslam]
SLAM资源
1. EVO
evo是一款用于视觉里程计和slam问题的轨迹评估工具。核心功能是能够绘制相机的轨迹，或评估估计轨迹与真值的误差。支持多种数据集的轨迹格式（TUM、KITTI、EuRoC MAV、ROS的bag），同时支持这些数据格式之间进行相互转换。在此仅对其基本功能做简要介绍。
一、安装
安装方式极其简单，采用pip安装：
pip install evo –upgrade –no-binary evo
或者通过github下载源码后(https://github.com/MichaelGrupp/evo)，使用源码安装：
pip install –editable . –upgrade –no-binary evo
安装时会自动安装相关依赖项。
安装完毕后，在命令行输入evo，若显示了相关信息，则表明安装成功。若提示”command not found”也不用惊慌，很多人遇到这种问题，重启电脑即可找到evo相应指令。
二、绘制轨迹
- 基础指令
evo绘制轨迹的指令为：evo_traj，后跟必要参数有：数据的格式（tum/kitti/bag/euroc等），轨迹文件。轨迹文件可以有多个，例如：
evo_traj tum traj1.txt traj2.txt
这个指令只是显示轨迹的基本信息，若要绘制轨迹，则增加可选参数 -p 或 –plot
evo_traj tum traj1.txt –p
- 轨迹对齐
我们时常需要将估计轨迹与真实轨迹同时绘制，可采用指令：
evo_traj tum realTraj.txt estTraj.txt -p
然而存储时轨迹多为相对位置变化，所以绘制出的轨迹在初始位置上存在一定的位置和角度偏移，出现以下情况。
（如图所示，左图为绘制的两条曲线，通过调整可以发现两个曲线形状大体相同，但没有对齐，从而具有较大的误差）
这时我们采用对齐指令将两条轨迹进行对齐。为此我们需要通–ref参数指定参考轨迹，并增加参数-a（或–align）进行对齐（旋转与平移）
evo_traj tum estTraj.txt –ref realTraj.txt -p -a
三、轨迹评估
evo可以评估两条轨迹的误差，主要有两个命令：
evo_ape：计算绝对位姿误差(absolute pose error)，用于整体评估整条轨迹的全局一致性；
evo_rpe：计算相对位姿误差(relative pose error)，用于评价轨迹局部的准确性。
这两个指令也支持evo_traj的可选参数，轨迹对齐-a与尺度缩放-s。完整指令如下：
evo_ape tum realTraj.txt estTraj.txt -a –s
此时将显示轨迹误差相关结果
若增加可选参数-p，可以绘制误差相关曲线
四、进阶学习
这里只介绍了evo的基本操作，除此之外evo可以进行数据格式转化、曲线颜色配置、轨迹导出等多种功能，详细请参考evo在github上的wiki：
https://github.com/MichaelGrupp/evo/wiki
同时，可以在命令行通过-h参数查看当前evo指令的参数及相关说明。例如：
evo_traj tum –h
注意一定要输入完整的evo指令（evo_traj, evo_ape等），与必选参数，即数据格式(tum/kitti/euroc/bag)