地图匹配模型 地图匹配（Map Matching）技术是一种通用的基于相关性的测量模型技术。
地图匹配通过将扫描数据（Scan）转换为占用地图（Occupancy Map），将少量的连续扫描编制到局部地图（Local Maps）上。局部地图是相对于机器人位姿的地图信息，用参量 m l o c a l m_{local} mlocal?。
模型将局部地图信息 m l o c a l m_{local} mlocal?同全局地图信息 m m m比较，当 m l o c a l m_{local} mlocal?同 m m m越相似，则模型的可信度 p ( m l o c a l ∣ x t , m ) p(m_{local}|x_t,m) p(mlocal?∣xt?,m)越高。
模型建立 对于机器人位姿 x t x_t xt?，采用 m X , Y , l o c a l ( x t ) m_{X,Y,local}(x_t) mX,Y,local?(xt?)表示机器人当前位姿在局部地图上的栅格单元，同全局坐标中的 [ X Y ] T \begin{bmatrix}X&Y\end{bmatrix}^T [X?Y?]T。当通过坐标变换，使两者在相同参考系内时，可用地图相关函数进行比较：
ρ m , m l o c a l , x t = ∑ X , Y ( m X , Y ? m ˉ ) [ m X , Y , l o c a l ( x t ) ? m ˉ ] ∑ X , Y ( m X , Y ? m ˉ ) 2 ∑ X , Y [ m X , Y , l o c a l ( x t ) ? m ˉ ] 2 \rho_{m,m_{local},x_t}=\frac{\sum_{X,Y}\bigl(m_{X,Y}-\bar m\bigr)\bigl[m_{X,Y,local}(x_t)-\bar m\bigr]}{\sum_{X,Y}\bigl(m_{X,Y}-\bar m\bigl)^2\sum_{X,Y}\bigl[m_{X,Y,local}(x_t)-\bar m\bigr]^2} ρm,mlocal?,xt??=∑X,Y?(mX,Y??mˉ)2∑X,Y?[mX,Y,local?(xt?)?mˉ]2∑X,Y?(mX,Y??mˉ)[mX,Y,local?(xt?)?mˉ]?
式中，参量 m ˉ \bar m mˉ为平均地图值：
m ˉ = 1 2 N ∑ X , Y ( m X , Y + m X ， Y , l o c a l ) \bar m = \frac{1}{2N}\sum_{X,Y}(m_{X,Y}+m_{X，Y,local}) mˉ=2N1?X,Y∑?(mX,Y?+mX，Y,local?)
式中，N为局部地图与全局地图间重叠部分的元素个数。
相关性 ρ m , m l o c a l , x t \rho_{m,m_{local},x_t} ρm,mlocal?,xt??取值在 [ ? 1 , 1 ] [-1,1] [?1,1]中进行，地图匹配模型表达式如下：
p ( m l o c a l ∣ x t , m ) = max ? { ρ m , m l o c a l , x t , 0 } p(m_{local}|x_t,m)=\max\{\rho_{m,m_{local},x_t},0\} p(mlocal?∣xt?,m)=max{ρm,mlocal?,xt??,0}
当局部地图信息仅由单一测距仪的扫描数据 z t z_t zt?得到，则模型概率可取代测量概率： p ( z t ∣ x t , m ) = p ( m l o c a l ∣ x t , m ) p(z_t|x_t,m)=p(m_{local}|x_t,m) p(zt?∣xt?,m)=p(mlocal?∣xt?,m)。
模型优缺点 地图匹配模型如同似然域模型一样，具有较小的计算量。同时它参考了两个地图的边界自由空间，而似然域模型仅参考了扫描终点处。
【概率机器人笔记|概率机器人（测距仪的地图匹配模型）】然而，地图匹配模型可能会建立超出实际传感器测量范围的局部地图，致使传感器"穿墙视物"。同时，地图匹配模型无合理的物理解释支撑。相关性仅为地图间归一化二次方距离，而非传感器的噪声特性。
推荐阅读
- Cartorgrapher源码阅读04- PoseExtrapolator-前端匹配-位姿外插器
- Cartographer源码阅读03-local_trajectory_builder.cc(2)-前端匹配
- Linux|移植安装cartographer_ros