A Novel Sparse Geometric 3-D LiDAR Odometry Approach

  在后端优化中，引入了线特征和面特征的激光里程计。

特征提取和表达

  线特征和面特征的提取采用和LOAM相同的光滑度策略。线特征和面特征表示为中心坐标，方向向量/法向量和属于直线和平面的点。采用分块的方法计算平面法向量。

Scan-to-Scan匹配

  目标函数和LOAM是一样，使用KD-tree做最近邻匹配，迭代优化点到直线和点到平面的距离，但是优化过程不同，使用LM法和李代数来对位姿进行优化。论文里面给出了基于李代数的目标函数求导过程式。

Scan-to-Map匹配

• 降采样
    为了加快优化速度，需要对局部地图中的几何特征进行降采样。基于Voxel Grid的降采样策略的简单平均方法对几何特征不适用。采用基于协方差矩阵奇异值的降采样策略，通过${\alpha }_{Plane}=({\sigma }_1+{\sigma }_2)/({\sigma }_1+{\sigma }_2+{\sigma }_3)$和 ${\alpha }_{Line}={\sigma }_1/({\sigma }_1+{\sigma }_2+{\sigma }_3)$来对几何特征进行采样。
• 位姿初始化和局部地图构建
    通过累乘里程计位姿估计位姿初值，采用和LOAM一样的Grid Map策略，分块提取局部地图。
• 位姿估计和地图优化
    使用kd-tree找到匹配的直线和平面之后，在限制中心点距离和点到平面距离的前提下，优化法向量夹角和平面之间距离。
    使用加权均值的方式，融合当前优化的几何特征和全局地图中的几何特征。