更新于2022-2-22
过了好几个月,最近重温了一下这个代码,打算开写代码解析了,目录如下:
【SLAM】LIO-SAM解析——数据预处理imageProjection(2)
【SLAM】LIO-SAM解析——特征提取featureTrack(3)
【SLAM】LIO-SAM解析——IMU预计分IMU-Preintegration(4)
【SLAM】LIO-SAM解析——后端优化MapOptimization(5)
【SLAM】LIO-SAM解析——里程计融合transformFusion(6)
LIO-SAM是2020年新出的激光SLAM,代码量不大,结构统一清晰,是我看的最快的一篇SLAM代码,效果在原数据集也不错。有一个不错的注释版代码写的不错,https://github.com/smilefacehh/LIO-SAM-DetailedNote。
注释中,mapOptimization中位姿初始估计的解释和我的理解不太一样,放流程图了。
LIO-SAM相对于LOAM等前作的优点是什么?
- LOAM的数据保存在全局体素图中,通常很难执行回环检测并结合其他绝对测量(例如GPS)进行位姿校正。
- scan是和局部地图进行匹配,而不是全局地图,这样即可加速运行。
- 一个紧耦合的激光雷达惯性里程计框架,构建在因子图之上,适用于多传感器融合和全局优化。