LeGo-LOAM论文简析

简单介绍一下LeGo-LOAM和LOAM的区别
1.适用于各种复杂物理环境，算法要求的计算量小。
2.对点云进行了分类，分类出地面点和非地面点，然后通过非地面点的range图区域增长进行聚类，在类别中提取线段和平面。
先是对地面图像进行逐列评估，找出地面，地面点不参与之后的分类。分类参考文献[23].
在Lidar Odometry特征关联部分引用了分类的label。比如：
$F_p^t$中的平面点，只有在$F_p^{t-1}$中被标记为地面点的才会被用于寻找 中对应的平面片。
$F_e^t$中的边缘点，只有在$F_e^{t-1}$中寻找对应的边缘线。
这种方式提高匹配准确性，缩小了潜在对应特征的数量。
3.LM优化部分采用两步优化，先用平面点优化再用边缘点优化。因为平面点能约束那三个量，边缘点能约束这三个量。平面点优化完的量做下一步优化的固定约束。两步L-M优化得到相同的精度，计算时间可以减少约35%（表3）。

参考文章，点这里