连载文章，长期更新，欢迎关注：

写在前面

第1章-ROS入门必备知识

第2章-C++编程范式

第3章-OpenCV图像处理

第4章-机器人传感器

第5章-机器人主机

第6章-机器人底盘

第7章-SLAM中的数学基础

第8章-激光SLAM系统

第9章-视觉SLAM系统

第10章-其他SLAM系统

  10.1 RTABMAP算法

        10.2 VINS算法

        10.3 机器学习与SLAM

第11章-自主导航中的数学基础

第12章-典型自主导航系统

第13章-机器人SLAM导航综合实战

同前面介绍过的大多数算法一样，RTABMAP也采用基于优化的方法来求解SLAM问题，系统框架同样遵循前端里程计、后端优化和闭环检测的三段式范式。这里重点讨论RTABMAP两大亮点，一个亮点是支持视觉和激光融合，另一个亮点是内存管理机制。下面将从原理分析、源码解读和安装与运行这3个方面展开讲解RTABMAP算法。

10.1.1 RTABMAP原理分析

经过前面章节的学习，相信大家对一些具体的SLAM框架实现过程已经不陌生了。因此在正式介绍RTABMAP的原理之前，先来看一下RTABMAP与其他一些SLAM框架的异同之处，如图10-1所示。比较维度主要在输入（Inputs）和输出（Online Outputs），常见的输入包括双目相机（Stereo）、RGB-D、多相机（Multi）、IMU、单线雷达（2D Lidar）、多线雷达（3D Lidar）和里程计（Odom），而输出包括位姿（Pose）、二维占据地图（2D Occupancy）、三维占据地图（3D Occupancy）和点云地图（Point Cloud）。同前面已经介绍过的Gmapping、Cartographer、ORB-SLAM2等相比可以说RTABMAP的表现近乎完美，RTABMAP的输入支持视觉（Stereo、RGB-D、Multi）、激光（2D Lidar、3D Lidar）和里程计（Odom），而输出则支持位姿（Pose）、二维占据地图（2D Occupancy）、三维占据地图（3D Occupancy）和点云地图（Point Cloud）。激光传感器的优点是可以直接感知环境障碍物信息并生成可以用于机器人自主导航的二维占据地图（2D Occupancy）或三维占据地图（3D Occupancy），这也是为什么大多数能够进行自主导航的机器人用的都是激光SLAM。视觉传感器的优点是感知到的信息量大，定位过程的位姿（Pose）不易丢失。当然像Stereo和RGB-D这样能直接感知深度信息的视觉传感器，如果最终构建出来的是稠密点云地图（Dense Point Cloud），那么也可以将稠密点云地图转换成二维占据地图（2D Occupancy）或三维占据地图（3D Occupancy）后用于机器人自主导航。而里程计（Odom）一般由安装在车轮上的编码器提供（这种情况也叫轮式里程计），里程计能提供短期运动信息在局部建图过程为位姿估计提供预测信息，当环境特征缺失时里程计也能提供短期位姿估计。