如何轻松拿捏LIO-SAM？

LOAM是目前为止激光里程计（LO）领域最经典最广泛使用的方法，堪称LO领域的baseline，至今仍在KITTI数据集上名列前茅。但是它存在诸多问题，比如：它直接存储全局体素地图而不是局部地图，从而很难执行回环检测以修正漂移；没有很好地使用IMU、GPS等测量融合进行位姿修正；并且体素地图的使用效率会随时间降低。

后续有很多研究者提出了各种改进方法提高LOAM在不同场景下的性能，如FAST-LIO使用EKF整合LiDAR和IMU的测量；LeGO-LOAM引入地面分割和回环检测进一步提高UGV的定位和建图性能；但其中效果较好的当属LIO-SAM，LIO-SAM是一种紧耦合的激光-惯性里程计方法，LIO-SAM可以说是LO的理想框架，其继承了LOAM特征检测和ICP匹配的稳定性，实现了激光雷达-IMU-GPS的多传感器融合，引入了回环检测方法修正全局漂移，利用了多种方法提高了SLAM算法的精度。

但是LIO-SAM中涉及到很多内容和理论的推导，不仅包括LOAM中原有的特征检测、特征匹配、噪声去除等内容，还使用了因子图来组织整个系统，其代码中使用了GTSAM包进行建模；除此之外，由于其紧耦合的设计，还使用了IMU预积分的知识，这部分知识往往是复杂的，对数学公式的的推导要求较高。

虽然网上也有一些LIO-SAM的论文讲解，但大部分都是对论文的简单翻译；虽然也有一些视频教程，但知识体系比较零散，铺天盖地的讲解导致很多初学者不能很好的把握其中的关键；关于其代码的讲解更是寥寥无几，导致很多同学很难理解其代码架构，更别提自己动手书写。

基于此，我们「3D视觉从入门到精通」知识星球特地增加了「如何轻松拿捏LIO-SAM？」系列视频课程，希望通过这门课，大家能对LIO-SAM的理论和代码有一些清晰的认识，自己能够真正地理解其算法思路，并进一步学习到一些阅读其他相关论文或代码的方法。

1.课程讲师

K.Fire，哈尔滨工业大学本科毕业保研至中国科学院大学攻读硕士，主要专注于3D激光SLAM、动态SLAM研究，CSDN资深博主，近4000粉丝量，热衷于知识分享。

2.课程大纲

第一章：绪论

• LOAM系列算法介绍及比较

• LIO-SAM优势及效果展示

第二章：预备知识

• 矩阵基础

• 三维刚体变换

• 李群与李代数

• 非线性优化

• 拓展:卡尔曼滤波

第三章：LOAM论文及原理详解

• LOAM论文带读

• ICP算法原理与发展、SVD分解

• LOAM代码速通、PCA算法

第四章：LeGO-LOAM、LIO-SAM论文及原理讲解

• LeGO-LOAM原理讲解

• LeGO-LOAM代码速通

• LIO-SAM原理讲解

第四章：LIO-SAM代码详解

• 前端-GTSAM、IMU预积分、位姿融合

• 后端-点云配准、建图、回环检测

第五章：实战及总结

• ROS系统简介及代码运行

• 总结、未来工作

本课程（星球专属课）自2024年1月28日开课，每周更新一章

3.如何学习本门课程？

扫码立减50元，加入星球

即可学习LIO-SAM，星球内支持答疑

4.课程收获及亮点

（1）对LIO-SAM算法的原理及应用有更深刻地理解；
（2）对LOAM系列的传统激光3D SLAM算法的原理及局限有更深入的理解，了解到常见的分析和改进方法；
（3）学习到以初学者的角度，如何高屋建瓴的把握一类算法的学习方法和学习经验，了解作为初学者如何高效吃透一种算法；
（4）掌握代码阅读及实现的方法，更加透彻的掌握代码阅读及实现过程。

5.星球成员其他福利

除了学习本门课程LIO-SAM，我们还有享受以下星球福利

（1）优质的学习圈子

星球汇集了国内外各个高校的研究生、博士生，包括但不限于清华大学、上海交通大学、华中科技大学、武汉大学、南京大学、北京理工大学、北京航空航天大学；以及国外留学的小伙伴，主要就读于南加州大学、墨尔本大学、慕尼黑工业大学、亚琛工业大学等。除此之外，还有很多一线工作的算法工程师、开发人员，包括但不限于百度、旷视、华为、奥比中光、云从、阿丘科技等。

（2）各种SLAM学习文章及代码

星球中不仅包含3D激光SLAM的各种算法及代码讲解，另外涵盖了多模态融合SLAM、视觉SLAM、三维重建、相机标定等多种领域讲解专栏，更有如ORB-SLAM3、Vins-Fusion等各种经典框架的详细讲解视频教程，在星球进行提问可向包括讲师在内的多位领域大牛进行提问，并获得及时解答。

（3）免费学习星球内其他课程

加入星球后可免费学习星球专属课程：多模态融合SLAM、ORB-SLAM3、Vins-Fusion等15+门星球专属课程，如下所示：

扫码即可学习本门课程

扫码立减50元，加入星球

即可学习LIO-SAM，星球内支持答疑