SLAM会议笔记（一）LOAM

LOAM: Lidar Odometry and Mapping in Real-time

ABSTRACT

将复杂的SLAM问题分离为两个算法，一个高频低精度的运动估计，另一个低一个数量级的点云匹配和配准算法。

RELATED WORK

雷达扫描速度相对于外部运动较高时，运动的失真常被忽略，标准的ICP方法可以被用于匹配两帧之间的激光。可以进一步使用两段式方法去消除失真：一个基于运动估计的ICP方法，接着使用计算速度的运动补偿。当雷达三秒速度相对较慢时失真变得非常严重，常使用其他传感器（IMU/GPS/INS）提供运动量测来消除失真，再用扩展卡尔曼滤波或局部滤波等方法处理。
只用两线激光雷达时运动估计和失真补偿较困难。一种方法是从稠密的激光点云建立视觉图像，匹配特征点做运动估计，假设线性运动模型。文中从笛卡尔空间提取几何特征并匹配，对点云的密度要求较低。

SYSTEM OVERVIEW

LIDAR ODOMETRY

特征提取：定义算法计算点的光滑度，按光滑度将点进行排序选择特征点，光滑度最小的为边界点，最大的为平面点。找最近的相同特征点作为对应特征点，相邻边界点组成边界线，相邻平面点组成平面，计算点到线、面的距离。


利用边缘点再边界线上，平面点在平面上，对应距离为0建立约束，将点和线、面的距离作为损失函数，非线性最小二乘求解位姿。

EXPERIMENTS

室外特征点提取较少，效果比室内较差，相对于移动距离偏差量分别为2.5%和1.0%左右。可以通过融合IMU数据对估计优化，可小幅降低偏移，特别是在速度变化快时。