开源项目汇总

以下是一些常用的 SLAM (Simultaneous Localization and Mapping) 和 VSLAM (Visual SLAM) 开源项目的汇总，按用途和特点分类：

1. 激光 SLAM

适用于基于激光雷达（LiDAR）的 2D 和 3D SLAM。

Karto SLAM

• 地址: https://github.com/ros-perception/slam_karto
• 来源: 原本由 SRI International 开发，后被集成到 ROS 中。
• 特点:
  • 基于图优化（Graph Optimization）。
  • 支持 2D 激光雷达。
  • 高效的回环检测和位姿优化。
  • 提供简单易用的 API。
• 适用场景: 小型机器人实时定位与地图构建。

Cartographer

• 地址: https://github.com/cartographer-project/cartographer
• 特点: Google 开源，支持 2D 和 3D 激光 SLAM，适合机器人导航。
• 使用场景: 地图构建、实时定位。

GMapping

• 地址: https://github.com/ros-perception/openslam_gmapping
• 特点: 经典的 2D 激光 SLAM 算法，基于粒子滤波，支持 ROS。

Hector SLAM

• 地址: https://github.com/tu-darmstadt-ros-pkg/hector_slam
• 特点: 适用于 2D 激光雷达，轻量级且无需里程计。
• 使用场景: 轻型机器人或无人机。

LIO-SAM

• 地址: https://github.com/TixiaoShan/LIO-SAM
• 特点: 基于因子图优化的激光惯导紧耦合 SLAM，支持高精度 3D SLAM。
• 使用场景: 无人驾驶、激光建图。

ALOAM

• 地址: https://github.com/HKUST-Aerial-Robotics/A-LOAM
• 特点: 经典的激光里程计算法，轻量级实现。

2. 视觉 SLAM (VSLAM)

ORB-SLAM3

• 地址: https://github.com/UZ-SLAMLab/ORB_SLAM3
• 特点: 经典的 ORB-SLAM 系列，支持单目、双目、RGB-D 和 IMU 融合。
• 使用场景: 多传感器融合定位和建图。

LSD-SLAM

• 地址: https://github.com/tum-vision/lsd_slam
• 特点: 直接法 SLAM，适用于稠密地图构建。
• 使用场景: 稠密地图建模。

DSO (Direct Sparse Odometry)

• 地址: https://github.com/JakobEngel/dso
• 特点: 直接法稀疏视觉里程计，适合低延迟和高精度场景。
• 使用场景: AR、低延迟导航。

RTAB-Map

• 地址: https://github.com/introlab/rtabmap
• 特点: 支持激光和视觉 SLAM，适合实时 3D 重建。
• 使用场景: 室内导航、视觉建图。

Kimera

• 地址: https://github.com/MIT-SPARK/Kimera
• 特点: 结合 VIO 和 3D 重建的现代化 SLAM 框架。
• 使用场景: 高精度场景理解。

3. 多模态融合 SLAM

VINS-Mono

• 地址: https://github.com/HKUST-Aerial-Robotics/VINS-Mono
• 特点: 基于视觉和 IMU 紧耦合的 VSLAM 系统，支持回环检测。
• 使用场景: 无人机、机器人导航。

VINS-Fusion

• 地址: https://github.com/HKUST-Aerial-Robotics/VINS-Fusion
• 特点: 支持多传感器融合（IMU、GPS、视觉），适用于多模态场景。
• 使用场景: 自动驾驶、无人机。

LVI-SAM

• 地址: https://github.com/TixiaoShan/LVI-SAM
• 特点: 激光与视觉紧耦合 SLAM 系统，基于因子图优化。
• 使用场景: 自动驾驶、环境感知。

4. 工具与平台

ROS Navigation Stack

• 地址: https://github.com/ros-planning/navigation
• 特点: 提供完整的机器人导航解决方案，支持多种 SLAM 系统集成。

OpenVSLAM

• 地址: https://github.com/xdspacelab/openvslam
• 特点: 通用的开源 VSLAM 框架，支持多种摄像头模型。

ElasticFusion

• 地址: https://github.com/mp3guy/ElasticFusion
• 特点: 稠密 SLAM 系统，支持实时 3D 环境建模。

5. 学术前沿

DROID-SLAM

• 地址: https://github.com/princeton-vl/DROID-SLAM
• 特点: 深度学习驱动的 SLAM 系统，具有高鲁棒性和实时性。

DeepFactors

• 地址: https://github.com/jczarnowski/DeepFactors
• 特点: 深度学习与稠密 SLAM 的结合。