Greedy-Based Feature Selection for Efficient LiDAR SLAM

  为了降低大规模场景下特征关联和非线性优化问题的复杂度，本文提出了一种方法，自适应的提出部分鲁棒特征，同时提升了效率和精度，还基于这种特征选取策略提出了多机器人激光SLAM算法。

特征选择算法

$${\mathrm{argmax}}_{S_k\subset F_k}log[det[\Lambda (S_k)]]$$
  特征选择算法的目的是尽可能保持信息矩阵谱特征的前提下，从特征中选择一个子集。本文采用的评价函数是行列式的对数。
  由于最佳特征选择方法是NP hard的，本文采取基于贪婪算法特征选取策略。

  由于环境可能欠约束，良好特征的数量会显著下降。本文提出了一种自适应的特征数量估计策略。本文基于实验，提出了信息矩阵行列式对数的阈值，低于阈值的情况，认为环境可能存在欠约束，降低选取特征的数量。

SLAM系统

  本文的系统基于LeGO-LOAM，但是局部优化和全局优化都在提取的良好特征子集上进行。