gmapping功能包集成了Rao-Blackwellized粒子滤波算法，为开发者隐去了复杂的内部实现

gmapping功能包订阅机器人的深度信息、IMU信息和里程计信息，同时完成一些必要参数的配置，即可创建完成基于概率的二维栅格地图（机器人地图一般分为三种类型：栅格地图，拓扑地图，特征地图）。gmapping功能包基于openslam社区的开源SLAM算法，相关链接：openslam

一、话题和服务

二、参数

三、坐标变换

下面是来自与一篇博客的学习笔记：tf坐标系转换(gmapping)

对于gmapping来说，一般坐标系就是map，odom，base_link，base_laser坐标系。

   map:地图坐标系，顾名思义，一般设该坐标系为固定坐标系（fixed frame），一般与机器人所在的世界坐标系一致

   odom：里程计坐标系，这里要区分开odom topic，这是两个概念，一个是坐标系，一个是根据编码器（或者视觉等）计算的里程计。 但是两者也有关系，odom topic 转化得位姿矩阵是odom–>base_link的tf关系。这时可有会有疑问，odom和map坐标系是不是重合的？可以很肯定的告诉你，机器人运动开始是重合的。但是，随着时间的推移是不重合的，而出现的偏差就是里程计的累积误差。那map–>odom的tf怎么得到?就是在一些校正传感器合作校正的package比如gmapping会给出一个位置估计（localization），这可以得到map–>base_link的tf，所以估计位置和里程计位置的偏差也就是odom与map的坐标系偏差。所以，如果你的odom计算没有错误，那么map–>odom的tf就是0（最后一句话是不是有点问题）

   base_footprint:坐标系原点base_link在2d平面（一般为地面）的投影
   base_link:一般位于tf tree的最根部，物理语义原点，一般表示机器人中心，为相对机器人的本体的坐标系
   base_laser:激光雷达的坐标系，与激光雷达的安装点有关，其与base_link的tf为固定的
 
这些坐标系之间的关系有些是静态的、有些是动态的。比如当机器人底盘移动的过程中，机器人底盘与世界的相对关系map->base_footprint就会随之变化；而安装在机器人底盘上的激光雷达、imu这些传感器与机器人底盘的相对关系base_footprint->base_laser_link、base_footprint->imu_link就不会随之变化。