LOAM 论文 LIDAR MAPPING 部分翻译

前言：学习激光SLAM及LOAM已有半年有余，说来羞愧，感觉自己有点笨。期间反复的读程序、论文和网上各种教程。现在除了能跑数据集和自己采集的雷达数据，稍微能改动一点程序，还是不能有大的进展，也没有加上惯导的数据（希望加上的同学留言多多指教，感谢。室外建图理想是加上GPS数据）。最近准备毕业论文了（哎，好快呀，SLAM学习一定要趁早），准备深挖一些理论，今在大佬（LOAM 论文及原理分析）的基础上，斗胆翻译剩余部分论文，希望大家多多交流（抱拳了铁子们）。

---

本文只有第六章雷达建图的内容，个人认为阅读之前先泼上原文里的时序图有助于理解（英文论文的变量一多就让人头大，CSDN博客富文本编辑器里还不能复制Word里的公式，现在理解之前看的博主为什么都是截图了）。

paper正文翻译：

                                                                                      VI.  LIDAR MAPPING

该建图算法的运行频率比里程算法低，并且每次扫描只调用一次。在k+1帧（sweep暂且翻译成帧）的最后，雷达里程计产生一个不失真的点云，同时产生一个转换 ，它包含了在tk+1和tk+2帧之间的雷达的运动。建图算法在世界坐标系{W}下匹配和配准（注册）    如图8所示。为了解释这个过程，我们定义Qk作为地图上到k 帧累积的点云，定义是雷达在地图上k帧最后时刻tk+1的位姿。随着雷达里程计的输出，建图算法将从tk+1扩展到tk+2进行一次扫描从而得到，并且把投影到世界坐标系{W}中，记为 。然后通过优化雷达位姿 使用算法匹配 和Qk 。

图8 展示了建图算法的过程。蓝色曲线表示雷达在地图上的位姿，它是由建图算法在第k帧产生的。橙色曲线表示在第k+1帧间的雷达运动，它是由里程计算法计算所得。经过和 ，里程计算法发布的失真点云就能被映射到地图上，被定义为（图中绿线段），并且匹配到已有的地图Qk （黑线段）上。

 

使用在V-A部分中的方法提取特征点，但是10倍的特征点已被使用。为找到特征点的对应点，我们把地图Qk上的点云储存在10m方的立方体中。提取与相交的立方体中的点，并将其存储在3D KD-tree中。我们在特征点周围的特定区域内找到Qk中的点，设S´是一组周围的点。对于一个边界点，我们只在S´中的边界线上保留点，对于一个平面点，我们只在平面片上保留点。然后计算S´的协方差矩阵，记为M, M的特征值和特征向量分别记为V和E。如果S´分布在一条边线上，V包含一个显著大于另外两个的特征值，E中与最大特征值相关的特征向量表示边线的方向。另一方面，如果S´分布在一个平面片上，则V包含两个较大的特征值，第三个特征值显著较小，E中与最小特征值相关的特征向量表示平面片的方向。边缘线或平面片的位置通过S´的几何中心来确定。

为了计算特征点到对应点的距离，我们在一条边线上选取了两点，在一个平面上选取了三点。这考虑使用与(2)和(3)相同的公式计算距离。然后，对每个特征点推导出式(9)或(10)，但不同的是中的所有点都有相同的时间戳tk+2 ，通过Levenberg-Marquardt方法对进行鲁棒拟合，再次求解非线性优化问题，并将配准在地图上。为了均匀分布这些点，通过体素网格过滤器缩小地图云的大小，体素大小为5cm立方体。

位姿变换的integration如图9所示。蓝色区域表示激光雷达建图的位姿输出，记为，每次扫描生成一次。橙色区域表示激光雷达里程计在频率为10Hz左右时的转换输出，记为。激光雷达相对于地图的姿态是这两种变换的组合，与激光雷达测程的频率相同。

图9 姿态变换的Integration。蓝色区域显示了来自建图算法的激光雷达姿态，每次扫描生成一次。橙色区域是激光雷达在当前扫描范围内的运动，，由里程算法计算。激光雷达的运动估计是这两种变换的结合，频率与相同。

---

后记：LIDAR MAPPING算法的配准跟 LIDAR  ODOMETRY算法的配准过程略有不同（主要体现在对应点确定方式的不同），在ODOMETRY算法中，对应点的确定是为了最快的计算速度（边角点与上一时刻的边角线匹配，平面点与上一时刻的平面匹配），而MAPPING算法是通过对特征点周围的点云簇进行PCA主成分分析（求点云的协方差矩阵的特征值和特征向量），来找到对应边和对应面。对应点确定后的过程就跟之前一样了，实现将​注册到整个地图中去。

欢迎同行批评指正~嘻嘻