Cartographer[1]是google在2016年開源[2]的跨平臺和傳感器配置，并提供2D和3D實時同步定位和建圖的SLAM系統(tǒng)，主要通過閉環(huán)檢測來消除構圖過程中產生的累積誤差，以達到融合多傳感器數據的局部submap創(chuàng)建和用于閉環(huán)檢測的scan match策略的實現。主要包括cartographer和Cartographer_ros兩部分，其中cartographer為底層實現，主要負責處理來自Laser、IMU、Odemetry的數據并基于這些數據進行地圖的構建。cartographer_ros是基于cartographer的上層應用，主要負責從ros的通信機制獲取傳感器的數據并將它們轉換成cartographer中定義的格式傳遞給cartographer處理，與此同時也將cartographer的處理結果用于發(fā)布、顯示或保存。

(2)  MC2SLAM

MC2SLAM[3]是Frank Neuhaus提出的一個實時激光里程計系統(tǒng)，提出了一種非剛性匹配算法（non-rigidregistration），通過把點云畸變補償和點云匹配統(tǒng)一到一個優(yōu)化任務之中，即先對點云進行畸變補償，隨后采用補償后的點云進行位姿匹配。而此前的其他SLAM方法，這兩步是相互d立進行的。后在后端使用IMU預積分進行位姿圖優(yōu)化，從而提G精度。從作者給出的測試結果，該方法和IMLS的精度相當，精度優(yōu)于LOAM。

(3) LeGO-LOAM

LeGO-LOAM[4]是一種輕量J和地面優(yōu)化的激光雷達里程計和建圖方法，可用于實時估計移動平臺的六自由度姿態(tài)。可以在低功耗嵌入式系統(tǒng)上實現實時姿態(tài)估計。LeGO-LOAM在分割和優(yōu)化步驟中利用了地面的約束。先應用點云分割來濾除噪聲，并進行特征提取，以獲得d特的平面和邊緣特征。然后，采用Levenberg-Marquardt優(yōu)化方法，使用平面和邊緣特征來解決連續(xù)掃描中六個自由度變換的不同分量。系統(tǒng)接收來自3D激光雷達的輸入并輸出6個DOF姿勢估計。整個系統(tǒng)分為五個模塊。 先是segmentation，使用單次掃描的點云，并將其投影到范圍圖像上進行分段（線）；然后將分段的點云發(fā)送到feature extraction模塊；然后激光雷達測距儀使用從前一模塊中提取的特征來找到與連續(xù)掃描相關的變換；并將這些特征在lidar mapping中進一步處理，將它們標記到全局點云圖。后，transform integration模塊融合了激光雷達測距和激光雷達測繪的姿態(tài)估計結果，并輸出終的姿態(tài)估計。

(4) SUMA++

SUMA++[5]是SLAM大牛Cyrill組基于SUMA[6]開源的基于語義信息的激光雷達SLAM系統(tǒng)，在大多數場景下，可以很好的過濾動態(tài)物體，并為機器人系統(tǒng)提供準確的定位和地圖構建。該系統(tǒng)通過卷積神經網絡對激光雷達點云進行語義分割，并結合幾何深度信息，提G語義分割的精度并合成為帶語義標記的激光雷達點云，通過該點云構建帶有語義信息且全局一致的稠密surfel語義地圖。后，利用掃描和地圖之間的語義一致性來過濾出動態(tài)物體，并在ICP過程中通過語義約束來提G姿態(tài)估計的精度。在KITTI數據集上定位精度和魯棒性都有非常好的表現，為動態(tài)場景下的自主移動機器人導航和和動態(tài)避障提供了很好的思路。