LOAM算法（论文+代码）详解（一）—— 引言+特征提取

目录

引言

符号定义

一、算法流程

 二、雷达里程计

1. 特征提取

     1.1 平滑度计算

      1.2 特征提取

---

引言

      LOAM: Lidar Odometry and Mapping in Real-time（RSS2014），是常年位于KITTI上前列的激光雷达SLAM算法，作为该领域发表时间较早的论文，启发了后续很多类似的工作。理解LOAM有助于初学者理解激光雷达SLAM的基本原理和整体流程。本系列文章将为各位同学系统梳理LOAM算法论文和代码中涉及的重点和难点。

图1 LOAM在KITTI上的排名

传送门：

论文：www.ri.cmu.edu/pub_files/2014/7/...

原味代码：github.com/laboshinl/loam_velodyne

改进代码：github.com/HKUST-Aerial-Robotics（使用Ceres_Solver库做非线性优化，简化了代码结构）。

论文亮点：

1. 雷达运动畸变的补偿；
2. 特征提取减小了点云配准的数据量；
3. ICP使用了非线性迭代优化（LM方法），而不是传统的SVD分解。

符号定义

         在正式讲解算法之前，首先要搞清楚原文中的两个名词——scan和sweep。由于时间较为久远，原作者使用的激光雷达型号为Hokuyo（北阳） UTM-30LX，是一个2D激光线扫设备，一次只能获取一条的视角范围为间距的激光线。作者将其连接到一个旋转电机上，使其可以在竖直方向做的旋转，一秒钟可以生成40条扫描线，因此在竖直方向上的分辨率为。原文中，scan代指水平方向上的一条扫描线，sweep代指雷达完成一次半球旋转后得到的扫描面。  

           将第k次扫描sweep记作k，。第k次扫描内获取的点云数据记为。雷达坐标系满足右手坐标系,坐标系原点位于雷达的几何中心，x轴正方向向左，y轴向上，z轴向前，表示为