感知定位

RA-L开源：Light-LOAM: 基于图匹配的轻量级激光雷达里程计和地图构建代码：github 原文：原文将SLAM应用于机器人应用中，可靠性和效率是两个最受重视的特性。本文考虑在计算能力有限的平台上实现可靠的基于激光雷达的SLAM功能。首先与大多数选择点云配准的显著特征的方法相反，我们提出了一种非显著特征选择策略，以提高可靠性和鲁棒性。然后使用两阶段对应选择方法来配准点云，其中包括基于KD树的粗匹配，然后是一种基于图的匹配方法，它使用几何一致性来排除不正确的对应关系。此外提出了一种里程计方法，其中权重优化是由前述的几何一致性图的投票结果引导的。通过这种方式，激光雷达里程计的优化

DPGO:异步和并行分布式位姿图优化 2020 RA-L best paper代码：github 原文：原文摘要—我们提出了异步随机并行位姿图优化（ASAPP），这是首个用于多机器人同时定位与建图（SLAM）中分布式位姿图优化（PGO）的异步算法。通过使机器人能够在无需同步的情况下优化其局部轨迹估计，ASAPP提供了对通信延迟的韧性，并减轻了在网络中等待落后的机器人的需求。此外，ASAPP 可应用于 PGO 的秩约束松弛，这是一个重要的非凸黎曼优化问题类别，支持最近在全局最优 PGO 方面的突破。在有限延迟的情况下，我们通过选择足够小的步长，证明了 ASAPP 的全局一阶收敛性。

最新开源DCL-SLAM:一种用于机器人群体的分布式协作激光雷达 SLAM 框架代码：github 原文：原文为了在未知环境中执行协作任务，机器人群体需要建立一个全局参考框架，并在共享的环境理解中定位自身。然而，在现实世界中，这面临许多挑战，例如环境的先验信息缺失以及团队成员之间的通信不畅。本文提出了DCL-SLAM，这是一种与前端无关的完全分布式协作激光雷达（LiDAR）SLAM框架，可在信息交换量较低的情况下实现未知环境中的协同定位。基于点对点通信，DCL-SLAM采用轻量级的LiDAR-Iris描述子进行地点识别，不需要全队的完全连接。DCL-SLAM包含三个主要部分：可替换的

多机器人图优化：2024ICARA开源原文：原文代码：代码摘要—同时定位与地图构建（SLAM）是机器人领域中自主系统的关键任务。在多机器人系统中，去中心化方法因其无需中央基站并促进可扩展性而受到了广泛关注。本文提出了一种去中心化的多机器人图优化 SLAM 方法，称为 mrg slam，该方法利用了成熟的单机器人 SLAM 框架 hdl graph slam。在我们的方案中，每个机器人独立运行基于激光雷达（LIDAR）的图优化 SLAM 算法，实现了高效地探索未知环境。机器人可以交换独特的图节点和边，并将共享的信息纳入各自的 SLAM 解算中