Real-Time Loop Closure in 2D LIDAR SLAM
这次将介绍到这篇论文的相关工作，以及本文提出的SLAM系统的总览
相关工作：
1、mapping：
(1) Scan-to-scan matching: 应用广泛，但累积误差较大
(2) Scan-to-map matching: 用高斯牛顿方法限制累计误差，增加了局部优化，提高了有效性与鲁棒性，在一 些不稳定（这里指的是物理上的稳定）的平台上，需要配备IMU。
(3) Pixel-accurate scan matching: 进一步减少了局部误差的累积，但是计算量变大了，当然该方法也可以用 于闭环检测。
2、Loop Closure Detection：
(1)激光扫描特征匹配；
(2)直方图匹配；
(3)扫描数据的特征检测；
(4)机器学习；
3、Optimization：
(1)PF(粒子滤波)：必须维护一整张地图中的所有粒子，当测量范围变大时，资源消耗也巨大，该方法就显得比较乏力。
(2)Graph-based SLAM(图优化)：机器人位姿为构建的顶点，边是位姿之间的关系。
针对PF的局限，本文将用submap的方法，该方法，不需要栅格地图的每一个粒子，只会当有必要的时候才会去更新，这样可以解决粒子滤波资源大量占用问题
系统总揽：
本方法不使用PF，为了防止误差的累积，该系统会定期进行位姿优化
过程：
(1)当有子图完成时，不会再有新的扫描被插入到其中，它将作为扫描匹配以进行回环检测。
(2)若当前估计的位姿周围的搜索窗口中找到了足够好的匹配，则将其作为循环结束约束，添加到优化问题。
(3)所有已经完成的子图和扫描匹配将会自动闭环。
难点：闭环扫描匹配必须比添加新扫描要更快发生
解决方法：分支定界(brand and bound)，预先计算好的网格