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
F_p^t
Fpt中的平面点,只有在
F
p
t
−
1
F_p^{t-1}
Fpt−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
F_e^t
Fet中的边缘点,只有在
F
e
t
−
1
F_e^{t-1}
Fet−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)。
LeGo-LOAM论文简析
于 2019-11-19 21:53:06 首次发布