https://blog.csdn.net/liuyanpeng12333/article/details/82718277
论文提出了一种方法可以同时获得低漂移和低复杂度，并且不需要高精度的测距和惯性测量。核心思想是将定位和建图的分割，通过两个算法：一个是执行高频率的里程计但是地精度的运动估计（定位），另一个算法在一个数量级低的频率执行匹配和注册点云信息（建图和校正里程计）。将这两个算法结合就获得了高精度、实时性的激光里程计。
第一章：
论文的目的是最小化里程计漂移所以不涉及回环检测的问题。
LOAM是怎么解决低漂移和低计算量这两个难题呢？我感觉是作者很好的利用了点云匹配和特征点提取。
LOAM的优点就是很好地利用力匹配的优缺点，首先，虽然scan-to-scan匹配精度差，但是我们可以只是使用它做一个获取粗的里程计，用获取的结果用于去除匀速运动造成的运动畸变，由于scan-to-scan的计算量较小因此我们可以高频执行。其次，有了里程计校正后的点云数据，接下来我们就可以做一个map-to-map的匹配了。但是map-to-map存在计算量大的问题，因此 我们可以让其执行的频率降低。这样的高低频率结合就保证了计算量的同时又兼具了精度。
再有减少计算量的方法就是特征点的选取：新颖的方法就是提取边缘点和平面点作为特征点来使用，这种提取的方法就很简单只需要计算一个点前后五个点就可以得到该点的曲率，计算量就减少了很多。
针对计算量问题，作者提出了高低搭配的方案，即执行高频的里程计但低精度的运动估计和执行低频的地图匹配来修正里程计。这两个方法结合就保证了实时性和精度两方面的要求。
第二章：
在存在运动畸变的前提下，运动估计和畸变校正就是一个难题。一种方法是使用激光点云的强度构建图像，根据两帧数据间图像的位移估计地面车辆的速度，车辆是基于匀速运动模型进行计算。论文作者也是使用匀速模型但特征的提取方法不同。论文提取特征的方法是在笛卡尔坐标下提取和匹配几何特征，并且对点云密度要求低。
第三章：表示和任务描述
使用激光雷达获得的点云数据进行运动估计并构建遍历过环境的地图。
主要解决问题：给定点云计算每次扫描的运动并使用点云构建地图。
第四章：系统概括
三维环境的探测。
激光里程计主要分四部分完成。首先是获得激光雷达坐标系下的点云数据P^，然后把第k次扫描获得的点云组成一帧数据Pk。然后将Pk在两个算法中进行处理，也就是上面Liar Odometry节点和Lidar Mapping节点。
Liar Odometry节点的作用是获取两帧连续点云数据间的运动，估计出来的运动用于去除Pk中的运动畸变。这个节点执行的频率为10Hz，作用相当于scan-to-scan匹配获得粗糙的运动估计用于去除匀速运动造成的运动畸变，并将处理后的结果给了Lidar Mapping节点做进一步处理。
Lidar Mapping节点的作用是使用地图去匹配和注册没有畸变的点云数据以1Hz的频率。最后由Transform integration节点接收前面两个节点输出的Transform信息并将其进行融合处理以活动频率为10Hz的Transform信息即里程计。
（1）特征点提取
（2）寻找特征点的对应
（3）运动估计
建图算的执行频率小于里程计算法，每秒执行一次。
扫一扫
3695
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
