这是一个很难的问题。
我知道 EKF-SLAM ，它使用上一次的状态估计下一个状态为在线过滤器， 我也知道 Graph-SLAM ，它使用过去的所有状态作为完整的SLAM，并将它们仅表示为整组节点和边缘，并通过最小化误差来优化节点和边缘的结构以更好地估计的状态。
现在， 我知道只运行带有测距信息的EKF-SLAM是没有意义的，因为EKF所做的是通过平衡测距信息和观察地标信息之间的权重来估计未来状态。所以两者都需要。
我的问题是，是否可以运行只有Odometry信息的Graph-SLAM 并且没有任何具有里程碑意义的观察信息？ 似乎Graph-SLAM可以通过将所有Odometry信息状态收集到当前的状态并将它们转换为节点和边缘来运行，就像提供Odo和obs时一样，并且它可以优化节点和边缘的结构。 有可能吗？ 输出意味着什么？ ＆＃34;优化＆＃34;里程计？ 有没有想过呢？ 先感谢您。 ：）
答案 0 :(得分：0)
前言：我不是100％肯定，这些只是我的假设/意见
SLAM点 S 同时 L ocalization A nd M apping为了做任何映射你需要观察地标或其他一些功能。否则你只是在进行本地化。
想想我是否把你从未进过的建筑物扔给了你，我说，为我创建一张地图，但你只能算上你的脚步。你不能使用任何其他感官（闭眼，耳朵插入等）。你会很快意识到这是一项几乎不可能完成的任务。如果你只使用里程计，像卡尔曼滤波器或EKF这样的东西应该可以很好地工作，但这只是做本地化而不是映射。
希望有所帮助