资 源 简 介
本文档的目标是对移动机器人的SLAM（同步定位和映射）领域进行教程介绍。关于这个主题有很多论文，但是对于这个领域的新成员来说，要理解实施SLAM所涉及的许多复杂问题，需要花费大量的研究时间。因此，希望能够以清晰简洁的方式呈现主题，同时尽量减少理解文档所需的先决条件。在读完这篇文章之后，实际上应该可以坐下来执行基本的冲击。
SLAM可以通过多种方式实现。首先，可以使用大量不同的硬件。其次，slam更像是一个概念，而不是一个算法。SLAM中涉及到许多步骤，这些不同的步骤可以使用许多不同的算法来实现。在大多数情况下，我们解释这些不同步骤的单一方法，但提示其他可能的方法，以便进一步阅读。
写这篇文章的动机主要是帮助我们更好地理解Slam。通过教授一门学科，人们总是能获得更好的知识。第二，现有的大满贯论文大多是理论性的，主要集中在小满贯领域的创新，这当然是他们的目的。本文的目的是非常实际的，并集中在一个简单的，基本的SLAM算法，可以作为一个起点，以更好地了解SLAM。对于在Slam中有一些背景知识的人，我们在这里提出了一个使用EKF（扩展卡尔曼滤波器）的Slam的完整解决方案。通过完成，我们并不意味着完美。我们的意思是，我们涵盖了启动和运行实现所需的所有基本步骤。必须指出的是，SLAM还没有完全解决，而且在该领域仍有大量的研究正在进行。
为了便于启动，提供了所有代码，所以基本上只是下载、编译、插入硬件（Sick激光扫描仪、ER1机器人）和执行应用程序；即插即用。我们已经使用了Microsoft Visual C，代码将在.NET Framework 1.1版中编译。大多数代码非常简单，几乎可以作为伪代码读取，因此移植到其他语言或平台应该很容易。
术语slam是同时本地化和映射的缩写。它最初是由休·杜兰特·怀特和约翰·J·伦纳德根据史密斯、赛尔夫和奇森曼早期的研究成果开发的。杜兰特·怀特和伦纳德最初称之为“smal”，但后来改变了它以产生更好的影响。SLAM关注的是用移动机器人绘制未知环境的地图，同时使用
SLAM由多个部分组成：地标提取、数据关联、状态估计、状态更新和地标更新。有很多方法可以解决每个较小的部分。我们将展示每个部分的示例。这也意味着可以用一种新的方法来更换某些零件。作为一个例子，我们将用两种不同的方法来解决地标提取问题，并对这些方法进行评述。其思想是，您可以使用我们的实现，并通过使用您自己的新方法来扩展它。我们决定把重点放在室内环境中的移动机器人上。您可以选择更改其中的一些算法，以便在不同的环境中使用。
SLAM适用于二维和三维运动。我们只考虑二维运动。
如果读者已经熟悉SLAM入门级的一般概念，例如通过大学级别的课程了解该主题，这将非常有帮助。对这一领域的研究有很多很好的介绍，包括。了解一点扩展卡尔曼滤波器（EKF）也很有帮助；介绍来源是。背景信息总是有帮助的，因为它可以让你更容易地理解本教程，但并不严格要求你理解所有的内容。
