自动驾驶系统（1）A-Loam安装和编译

LOAM：Lidar Odometry and Mapping in Real-time

LOAM为清华自动化本科毕业的Zhang Ji博士在CMU读博期间，于2014年在RSS期刊发表的关于三维激光传感器的SLAM算法。
缺点：

• 没有回环检测；
• 计算时间复杂度较高，基于三维空间中的位姿进行优化；
• 户外可能受到各种噪声影响，例如树上摇晃的树叶，地上的杂草。而这些点未必会重复出现在前后两帧激光中。而错误的特征点将会影响位姿精度。
• LOAM需要提取平面点和边缘点，由于车体上下颠簸，竖直维度提取的平面点很容易造成误差。

一、LOAM安装和编译

1.下载A-LOAM源码（版本：ubuntu18.04 ros melodic ）

    cd ~/catkin_ws/src
    git clone https://github.com/HKUST-Aerial-Robotics/A-LOAM.git

2.编译

    cd ~/catkin_ws/src
    cd ../
    catkin_make
    #可添加到 ~/.bashrc 文件中：
    source ~/catkin_ws/devel/setup.bash

3.运行

     #终端一
    roslaunch aloam_velodyne aloam_velodyne_VLP_16.launch
      #终端二
    rosbag play YOUR_DATASET_FOLDER/nsh_indoor_outdoor.bag

4.运行Kitti数据集
A-LOAM运行KITTI数据集需要运行kittiHelper节点，首先要将KITTI数据转换成ROS 的 Topic 或者 rosbag，读取KITTI数据集的 图像\雷达\时间戳 并发布topic和保存bag，跑之前修改launch文件：

<launch>
    <node name="kittiHelper" pkg="aloam_velodyne" type="kittiHelper" output="screen"> 
        <param name="dataset_folder" type="string" value="/data/KITTI/odometry/" />
        <param name="sequence_number" type="string" value="00" />
        <param name="to_bag" type="bool" value="false" />
        <param name="output_bag_file" type="string" value="/tmp/kitti.bag" /> <!-- replace with your output folder -->
        <param name="publish_delay" type="int" value="1" />
    </node>
</launch>

其中/data/KITTI/odometry/修改为kitti数据集的路径，to_bag的值可以为false或者true，选择是否将kitti数据集计算轨迹的同时打包成bag输出，输出路径为out_bag_file的值。
运行：

roslaunch aloam_velodyne kitti_helper.launch
roslaunch aloam_velodyne aloam_velodyne_HDL_64.launch

二、LOAM解析

1.整体框架

主要思路就以两个并行算法LidarOdometry（高频低精度）、LidarMapping（低频高精度）实现低漂移和低计算复杂度。
2.主要流程
主要包括三个节点：点云提取(scan registration)、雷达里程计(lidar odometry)、雷达建图(lidar mapping)

2.1点云提取(scan registration)
LOAM中选用特征点来进行运动估计，特征点选取(edge point角点)和平面点(planar point)，如下黄点为edge point，红点为planar point。试验数据表明，大部分点云都是平面点。边线点起到的约束作用较小。

2.2雷达里程计
主要根据scanRegistration发布的点云信息，寻找角点与平面点的匹配点，并构建点到线及点到面的约束方程，使用ceres进行求解。点云使用pcl下的kdtree存储。

• 先将点云都变换到起始坐标系，
• 然后在存放上一帧点云的kdtree中查找点云的最邻近点，
• 在找到的最邻近点的相邻帧找到邻近点的最邻近的点。并构造距离方程。
• 通过迭代得到两个SCAN之间的坐标系变换。
• 累积便可的odom的输出。
  2.3雷达建图
  地图创建
  雷达地图创建采用点云地图，通过迭代得到的每一次sweep对应的雷达的世界坐标系下的位姿变换矩阵，得到点云的世界坐标坐标。
  位姿精优化(mapping odometry)
  选取点最近邻5个点，进行协方差矩阵特征值、特征向量计算，若其中一个特征值远大于其他特征值，则说明该点是边线点，其中最大的特征值对应的特征向量就是该线的方向向量。同理得到点面的约束
  ​