MAX_Hope的博客

BALM框架对每个scan通过位姿初值转换到世界坐标系上，多帧scan的点组成了一个“线”或“面”特征。计算一个特征内所有点的协方差矩阵A，通过优化A特征分解后的特征值最小。因为线特征，最大特征值表示线段方向，面特征，最小特征值表示面的法向量方向。本文推导了误差对点的雅克比矩阵和误差对位姿的雅克比矩阵。注意：本文中的地图点和位姿是相互独立的，因此，在实验中BALM可以在因为退化导致位姿走“之”字形时，点云依然保持一致性。 自适应voxel的划分，从1m分辨率通过八叉树划分到0.125m分辨率。目的是保

F-LOAM相比与LOAM的区别：1. 两次过程去畸变；2.利用Ceres库做scan-submap优化。一、去畸变 因为好多激光频率超过10Hz，所以帧间的时间间隔很小，所以在间隔内假设是匀速度和匀角速度模型。第一步用常速模型进行去畸变和做预测。 经过位姿解算后，利用新的位姿重新对去畸变的特征？（原始特征）再次去畸变。两步运算的好处是，相比一步定位精度相似，但是运算量小了很多。 注：原本LOAM在里程计部分对一帧点云利用里程计计算的Tk,L+1和匀速模型，计算出每个时间戳

三分钟了解Fast-Lio，ikd-Tree, FAST-LIO2, FASTER-LIO论文。

V-LOAM可以参考：V-Loam论文解读视觉里程计输出帧与帧之间的位姿。然后激光通过sweep to sweep（使用匀速模型）和 sweep to map（使用LOAM建图的一套寻找匹配点的策略）对激光点云进行配准。系统维护了一个深度图，在视觉里程计中优化函数包含：已知深度的点，三角化的点，和未知深度的点。...

简单介绍一下LeGo-LOAM和LOAM的区别1.适用于各种复杂物理环境，算法要求的计算量小。2.对点云进行了分类，分类出地面和线段等。在Lidar Odometry特征关联部分引用了分类的label。比如：3.LM优化部分采用两步优化，先用平面点优化再用边缘点优化。因为平面点能约束那三个量，边缘点能约束这三个量。平面点优化完的量做下一步优化的固定约束。...

*LOAM 论文总结**LOAM全称是LOAM : Lidar Odometry and Mapping in real-time 在2014年发表在RSS上。本文使用的激光是二维激光，加一个电机。从而实现40线，线之间的分辨率是0.25度。本文主要分成两个部分：激光里程计 和 建图。**激光里程计特征点提取：在激光点云数据中提取特征点（包括：边缘点和平面点）。为了使提取的特...