扫描匹配

• Scan-to-Scan（扫描到扫描）匹配
  扫描到扫描匹配是最基本的扫描匹配方法，通过比较当前扫描数据与上一扫描数据之间的差异来估计机器人的位姿变化。常见的算法包括迭代最近点算法(ICP, Iterative Closest Point)和PL-ICP(Point-to-Line ICP)，其中ICP适用于点云数据的精确匹配，而PL-ICP则更适合处理线性特征较多的场景。

• Scan-to-Map(扫描到地图)匹配。
  扫描到地图匹配是另一种常用方法，通过将当前扫描数据与已构建的地图进行比较来估计位姿。这种方法可以有效限制累积误差，避免局部极值问题。例如，Cartographer算法采用CSM(Correlation Scan Matching)结合梯度优化技术，通过暴力搜索找到最优解。

ICP

ICP通过迭代优化两个点云之间的相对位姿，以实现精确的匹配和定位。

核心思想

通过最小化两个点云之间的距离来估计它们之间的变换矩阵（包括旋转和平移）。

具体流程：

1. 初始化：选择一个初始的位姿估计(通常为零变换)。
2. 最近邻匹配：在目标点云中找到与源点云最近的点对。
3. 计算变换矩阵：基于匹配点对，计算旋转和平移矩阵，使得两个点云之间的距离最小化。
4. 迭代优化：将新的变换矩阵应用到源点云，并重复步骤2和3，直到满足收敛条件(如误差阈值或最大迭代次数)。

似然场

似然场扫描匹配是一种用于通过激光雷达数据实现机器人位姿的估计和地图的构建。

核心思想：

利用概率模型来描述当前时刻激光雷达数据与地图之间的相似性，并通过优化过程找到最佳的位姿。

基本原理：

似然场扫描匹配方法基于概率模型，将激光雷达的扫描数据与地图中的栅格或点云进行比较，从而计算出当前位姿的可能性。

具体流程：

1. 构建似然场：将地图划分为多个栅格或点云单元，每个单元代表一个可能的位置。对于每个单元，根据当前扫描数据与地图数据的匹配程度计算其概率值(如占据概率)。
2. 扫描匹配：通过比较当前扫描数据与地图数据，计算当前位姿的似然值。例如，通过高斯牛顿法或Levenberg-Marquardt法优化位姿，使得似然值最大化。
3. 更新位姿：根据优化结果更新机器人的位姿，并将新的位姿信息融入地图中