- 文献综述（或调研报告）：
3.1 SLAM算法的分类
SLAM，是Simultaneous Localization And Mapping的首字母缩写，即同时定位与建图。SLAM的出现主要是为了解决对于移动机器人在建图的同时如何进行自我定位的问题，而对于解决以上问题的最终目标是进行完全自主的机器人的研发。对于SLAM问题的具体定义如下：移动机器人进入一个位置的环境，从初始位置开始运动，在运动的过程中，机器人使用自身携带的传感器，完成对于地图的增量式建立，并对自身进行精确定位（定位中包括自身姿态与自身相对环境位置）[1]。
虽然对于SLAM的描述很简单，但是对于SLAM中的困难且尚未得到完全解决的问题还是有很多的：对于SLAM来说，目前大部分的文献都是以机器人在一个静态环境中为前提的，即一个没有除机器人之外的运动物的环境。但是对于现代人类社会，若机器人想要作为人类的协助者进入人类社会并能发挥功用，那么对于动态环境的处理是必须的，无法逃避的。除此之外，目前的SLAM需要继续进行研究的地方还有很多，比如：对于结构不严整，地形没有限制的空间的探索。
而对于本文所针对的室内SLAM来说，室内环境相对于外部空间在空间的限制性上是有一个相对的优势的，但是室内空间的相对劣势之处在于，室内空间具有特征密集、环境复杂等特点。而这些特点，也是对于室内空间的机器人SLAM最具有挑战的地方。
对于SLAM来说，按照地图的构建方式来对SLAM进行分类，则可分为两大类：Full SLAM（全局式建图）和Online SLAM（增量式建图）。
3.1.1 Full SLAM
Full SLAM又可被称为Global SLAM，Lazy SLAM。这一类的SLAM算法的主要思想是使用和两个数组变量通过计算机器人的整条路径的后验概率从而得出整条机器人的轨迹和环境信息，也就是求出和的两个变量的信息，则Full SLAM的定义式为
(3.1)
这一个算法的特点必须获得一定量的环境信息之后才会进行计算于更新，在每一次的求取过程中Full SLAM都要将所有数据同时重新处理一次。通过这样的处理方法所得到的机器人轨迹和环境信息会更加精确，但是精确的同时会带来更大的计算量与计算时间。用一张图来形象的表示这一算法的特点，则如图3.1.1所示的Full SLAM的图模型
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
