经典激光slam配准及回环检测框架：ScanContext

论文名称：

Scan context: Egocentric spatial descriptor for place recognition within 3d point cloud map

论文链接：

https://ieeexplore.ieee.org/document/8593953

开源代码链接：

https://github.com/irapkaist/scancontext

总结：

这篇文章介绍的是如何用激光点云做场景识别、定位或回环检测。

步骤：

（1）对一帧点云数据，以雷达坐标系为原点，划分20个环，每个环分为60等份。即1200个格子。将其再展开为一个矩形图像，20行60列。

（2）遍历点云的每个点，对坐标进行计算，投影到其所在的栅格坐标（即栅格的行列），并记录下这个栅格中点云的高度（z值）最大值。形成一个带高度的俯视图，或者地形图，记为scan context。

（3）对每一行和每一列分别求平均数，得到两个向量。一个20*1的，记录的是每一行的平均值，记为ring key；另一个是1*60，记录的是每一列的平均值，记为sector key。

（4）用ring key向量构造kdtree，并执行knn搜索，找到可能的发生回环的相似帧，并得出对应的平移值。（如果是帧间匹配则只需要计算和上一帧的平移）

（5）分别对所有候选相似帧（此处应该有运动补偿），使用sector key，进行左右平移，计算相差（二范数）最小的平移值，即为对齐时所需要的旋转偏移量。

（6）因为（5）是用每列的平均值做的比较，缺乏准确性，最后再需要以（5）计算的偏移量为基础，重新对scan context施加偏移（这里有个范围），精确计算偏差量。

（7）经过（6）的精确配准计算，得出的平移量和偏移量，解算后即为位姿之间的关系。

今晚刚看完了这篇文章和主要代码，先写个思路总结，过几天再详细总结。。。