一文详解固态激光雷达的里程计（loam_livox）

点击上方“计算机视觉工坊”，选择“星标”

干货第一时间送达

Loam livox(2019 IROS)

介绍： 大疆出品，必属精品。 固态激光雷达里程计的工作现阶段还是比较少的，大疆自己出了固态激光雷达后在LOAM的基础上改进了一个适用于固态激光雷达的里程计，该系统可以用在小视场角和非重复性扫描的雷达上。

代码地址：在公众号「3D视觉工坊」，后台回复「loam_livox」，即可直接下载。

需要知道的介绍

需要知道的是（文章最后有相关的技术手册）:

• 固态激光雷达的视角很小，Livox MID40的视角仅有38.4度。但是想要获得大的视角可以使用多个固态的激光雷达（比如MID-100其实就是3个MID-40）。

• 扫描图案不均匀，原来的激光雷达规则扫描，极大的简化了特征提取和匹配。但是固态激光雷达扫描不均匀Livox MID40扫描的图案类似花瓣，相邻的两次扫描距离很远。

• 非重复扫描，这样可以最大化覆盖率（尽可能多的得到场景中的信息）。

• 运动畸变，同一帧的点云扫描有先后顺序的，由于运动可能导致同一帧的点云出现运动畸变。

为了解决上述的问题，作者创建了Loam_Livox工具包。解决了在小的视角下进行特征选择和提取的任务，有严格的外点剔除策略，移动的对象滤波和运动畸变补偿。在没有诸如IMU、相机、GPS等传感器的基础上，利用点云和局部地图的匹配鲁棒的实时计算雷达的位姿。

相关工作

目前有点到点,点到面和点到边缘的匹配方式，3D的特征有Point Feature Histograms (PFH)和viewpoint Feature Histograms (VFH)等。本文采用的是点到平面和点到边缘的匹配方式，为了解决运动畸变的问题，可以在前端进行线性插值，最近有的方法提出也可以在后端利用优化的方法进行畸变矫正。虽然优化的方法更好但是不实时运行。 本文的主要贡献有:

• 针对小视角的雷达提出了完整的LOAM算法

• 通过考虑low-level的雷达参数增加了LOAM算法的精度和鲁棒性

• 提出了一种简单但是有效的运动补偿的方法。分段处理，并使其实现并行化。

特征选择和提取

系统概述如下图所示，其前端处理包括点的选取和特征的提取。考虑到激光雷达传感器的low-level物理特性(如激光光斑大小、信噪比)的测量机制，我们进行点级选择来提取“优点”。

A.点的选择

• 计算点距离雷达的距离