LSD - 多传感器融合SLAM详解

LSD - 多传感器融合SLAM详解

附赠自动驾驶最全的学习资料和量产经验：链接

LSD (LiDAR SLAM & Detection) 是一个开源的面向自动驾驶/机器人的环境感知算法框架，能够完成数据采集回放、多传感器标定、SLAM建图定位和障碍物检测等多种感知任务。

本文将详细讲解LSD中的多传感器融合SLAM建图定位算法。

LSD （LiDAR SLAM & Detection）​github.com/w111liang222/lidar-slam-detection

高精度点云地图构建

点云地图构建是通过激光雷达扫描周围环境，SLAM算法估计当前位置和姿态，将自身坐标系下的点云转换到世界坐标系，从而构建点云地图。LSD能够融合IMU/GPS等多传感器信息，配合多种前端里程计、后端优化算法、地图编辑，实现高精度点云地图构建功能。相关实现代码位于slam/mapping目录。

SLAM建图Demo

LSD中的SLAM系统架构如下所示:

SLAM建图定位框架

前端里程计 - GICP

GICP是一种点云配准算法，输入点云Q1和Q2，能够计算出Q1- Q2的变换关系。LSD基于开源的fast_gicp，将激光雷达接收到的最新点云与局部地图点云进行配准，从而得到自身在全局坐标系下的位姿。

Globally Consistent 3D LiDAR Mapping withGPU-accelerated GICP Matching Cost Factors

具体算法步骤如下：

1. （可选）求取相邻两帧点云间的IMU数据，积分后用于对点云做运动畸变校准

2. 利用pcl::VoxelGrid对当前帧点云下采样

3. 将下采样后的点云与当前局部地图做GICP配准，得到当前位姿

4. 将当前点云变换到全局坐标系，并添加到局部地图中（最多保留最新时刻的10W个点）

• 优点：适配大部分激光雷达点云（旋转式、固态等），建图精度较高。

• 缺点：当处理线数较高的激光雷达时，计算耗时较高。

前端里程计 - FLOAM

LOAM: LIDAR odometry and mapping in real-time是激光SLAM中的经典算法，主要通过提取点云中的edge和surf特征来进行匹配定位。FLOAM是在LOAM算法基础上优化了运算效率。