Cartographer[1]是google在2016年開(kāi)源[2]的跨平臺和傳感器配置，并提供2D和3D實(shí)時(shí)同步定位和建圖的SLAM系統，主要通過(guò)閉環(huán)檢測來(lái)消除構圖過(guò)程中產(chǎn)生的累積誤差，以達到融合多傳感器數據的局部submap創(chuàng )建和用于閉環(huán)檢測的scan match策略的實(shí)現。主要包括cartographer和Cartographer_ros兩部分，其中cartographer為底層實(shí)現，主要負責處理來(lái)自L(fǎng)aser、IMU、Odemetry的數據并基于這些數據進(jìn)行地圖的構建。cartographer_ros是基于cartographer的上層應用，主要負責從ros的通信機制獲取傳感器的數據并將它們轉換成cartographer中定義的格式傳遞給cartographer處理，與此同時(shí)也將cartographer的處理結果用于發(fā)布、顯示或保存。

(2)  MC2SLAM

MC2SLAM[3]是Frank Neuhaus提出的一個(gè)實(shí)時(shí)激光里程計系統，提出了一種非剛性匹配算法（non-rigidregistration），通過(guò)把點(diǎn)云畸變補償和點(diǎn)云匹配統一到一個(gè)優(yōu)化任務(wù)之中，即先對點(diǎn)云進(jìn)行畸變補償，隨后采用補償后的點(diǎn)云進(jìn)行位姿匹配。而此前的其他SLAM方法，這兩步是相互d立進(jìn)行的。后在后端使用IMU預積分進(jìn)行位姿圖優(yōu)化，從而提G精度。從作者給出的測試結果，該方法和IMLS的精度相當，精度優(yōu)于LOAM。

(3) LeGO-LOAM

LeGO-LOAM[4]是一種輕量J和地面優(yōu)化的激光雷達里程計和建圖方法，可用于實(shí)時(shí)估計移動(dòng)平臺的六自由度姿態(tài)�？梢栽诘凸�耗嵌入式系統上實(shí)現實(shí)時(shí)姿態(tài)估計。LeGO-LOAM在分割和優(yōu)化步驟中利用了地面的約束。先應用點(diǎn)云分割來(lái)濾除噪聲，并進(jìn)行特征提取，以獲得d特的平面和邊緣特征。然后，采用Levenberg-Marquardt優(yōu)化方法，使用平面和邊緣特征來(lái)解決連續掃描中六個(gè)自由度變換的不同分量。系統接收來(lái)自3D激光雷達的輸入并輸出6個(gè)DOF姿勢估計。整個(gè)系統分為五個(gè)模塊。 先是segmentation，使用單次掃描的點(diǎn)云，并將其投影到范圍圖像上進(jìn)行分段（線(xiàn)）；然后將分段的點(diǎn)云發(fā)送到feature extraction模塊；然后激光雷達測距儀使用從前一模塊中提取的特征來(lái)找到與連續掃描相關(guān)的變換；并將這些特征在lidar mapping中進(jìn)一步處理，將它們標記到全局點(diǎn)云圖。后，transform integration模塊融合了激光雷達測距和激光雷達測繪的姿態(tài)估計結果，并輸出終的姿態(tài)估計。

(4) SUMA++

SUMA++[5]是SLAM大牛Cyrill組基于SUMA[6]開(kāi)源的基于語(yǔ)義信息的激光雷達SLAM系統，在大多數場(chǎng)景下，可以很好的過(guò)濾動(dòng)態(tài)物體，并為機器人系統提供準確的定位和地圖構建。該系統通過(guò)卷積神經(jīng)網(wǎng)絡(luò )對激光雷達點(diǎn)云進(jìn)行語(yǔ)義分割，并結合幾何深度信息，提G語(yǔ)義分割的精度并合成為帶語(yǔ)義標記的激光雷達點(diǎn)云，通過(guò)該點(diǎn)云構建帶有語(yǔ)義信息且全局一致的稠密surfel語(yǔ)義地圖。后，利用掃描和地圖之間的語(yǔ)義一致性來(lái)過(guò)濾出動(dòng)態(tài)物體，并在ICP過(guò)程中通過(guò)語(yǔ)義約束來(lái)提G姿態(tài)估計的精度。在KITTI數據集上定位精度和魯棒性都有非常好的表現，為動(dòng)態(tài)場(chǎng)景下的自主移動(dòng)機器人導航和和動(dòng)態(tài)避障提供了很好的思路。