LeGo-LOAM笔记

1、LeGo-LOAM算法流程、与LOAM区别？

其相比于最为经典的LOAM，实现了更轻量级的激光雷达slam工作。

流程图：

 ros节点图：

 具体改进：

• 前端数据处理增加基于柱面投影的特征分割，将原始点云中地面点分割出来并对其中的目标点云块实现聚类。
• 特征提取：从地面点云和目标聚类点云块中提取面特征以及线特征，特征提取更准确。

2、如何实现点云分割？

• 将无序的点云有序化：在点云分割之前，首先需要将一帧点云投影到一张分辨率为1800*16的图片上（由于VLP-16的水平方向的角度分辨率为0.2°，所以投影图像的水平方向分辨率为 360/2 =1800。由于VLP-16的竖直方向是16根扫描线，所以，投影图像的竖直方向的分辨率就变成了 16）。
• 提取地面点：根据16线激光雷达扫描范围，将[-15°，-1°]扫描线上的点认为是地面点，不参与后续的分割。
• 基于图像分割的方法，将上述距离图像分为多个类。并去除不能聚类的点（低于30个的类）以提升特征点提取精度。

---

分割：通过BFS（深度优先遍历）递归进行查找，从[0,0]点开始，遍历它前、后、左、右的4个点，分别进行对比，如果相对角度大于60°，则认为是同一个点云集群。最后分割出来的点云数量大于30个则认为分割有效（实际上大于5个可能也行）。

相邻两个点连线角度小于60， 则不是同一类。其实就是同时考虑了深度以及偏移，深度偏差较大，偏移较小的两个点则认为不是同一类。

 

无人驾驶学习笔记-LeGO-LOAM 算法源码学习总结_ppipp1109的博客-CSDN博客_legoloam

---

特征点提取：

特征提取的过程：

• 先对点云进行畸变校正（运动补偿）
• 接着计算点的平滑程度，然后按照平滑度排序，如果是不平滑的点，则选为线特征（柱子或者墙壁的棱角），如果是平滑的点，则选为面特征（地面，墙面等平面）
• 同时为了避免选择的特征过于集中在同一个地方，会把360°方向切分为6个区域，每个区域平均选择2个线特征和4个面特征。

3、详细讲一下LeGo-LOAM激光里程计算法流程 

特征匹配：

• 其将点云划分为地面点和分割点，分别进行特征匹配。但是这也导致LeGo-LOAM在地面不够平坦时，地面点就不能很好的匹配，也就会直接导致失效。
• 分别匹配线特征以及面特征，并且两步LM优化

 

嗨害嗨！小知识点：

提问：为什么图优化中要加入核函数？

因为图优化是优化所有边，然而在slam中很容易出现其中一条边误差极大，会影响整个优化的效果。加入核函数可以削弱误差较大的边，防止其掩盖掉其他边。

具体的方式是，把原先误差的二范数度量，替换成一个增长没有那么快的函数，同时保证自己的光滑性质（不然没法求导啊！）。因为它们使得整个优化结果更为鲁棒（所谓鲁棒性，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性），所以又叫它们为robust kernel（鲁棒核函数）。

很多鲁棒核函数都是分段函数，在输入较大时给出线性的增长速率，例如cauchy核，huber核等等。

深入理解图优化与g2o：图优化篇 - 半闲居士 - 博客园