【论文笔记】LOAM: Lidar Odometry and Mapping in Real-time

LOAM: Lidar Odometry and Mapping in Real-time使用IMU作为辅助手段有效祛除非线性运动，处理线性运动

值得注意的是，后续里程计处理的点全部经过预处理：
1)利用来自惯性测量单元Xsens MTi-10 IMU的方向，旋转在一次扫描中接收的点云，以与激光雷达在该扫描中的初始方向对齐，
2)利用加速度测量，运动失真被部分消除，就像激光雷达在扫描期间以恒定速度移动一样。点云然后由激光雷达里程计和绘图程序处理。

中心思想：

作者把复杂的SLAM问题一分为二，一个算法是高频率（10hz）低精度的odometry过程，另外一个算法是低频率（1hz）高精度的mapping过程，两者结合起来，可以做到低计算量、低漂移和高精度SLAM。如果IMU可用，则其速度测量值可以作为算法一的先验。为了确保odometry的实时性，两个算法都需要提取线特征和面特征。而在mapping算法中，地图的一致性是由局部点云簇的几何分布决定的，通过计算其特征值和特征向量。mapping过程使用icp算法来保证其高精度。

​ 作者认为车辆在SLAM过程中是随着时间持续的匀速平滑运动，并且没有突变。需要注意的是lidar坐标系为左x，上y，前z。问题简化为：给定连续的点云帧Pk，计算每连续两帧点云间车辆的运动位姿变换，并且构建这段时间内的场景地图。其系统架构如下：

算法步骤：

1）、特征点提取：

在每一个sweep中，根据曲率对点进行排序，来作为评价局部表面平滑性的标准。曲率最大的为边缘点，曲率最小的为平面点。每一个局部区域必须提取2个边缘点和4个平面点。提取过程中避免提取两类点：即 ：大致位于平行于激光束的曲面片上的点和被遮挡物体的边缘点。

2）、运动估计
作者认为激光雷达扫描一圈过程中，车辆是匀速运动的，在此过程中，可以对平移T进行线性插值。

两帧之间的变换为

用罗德里格斯公式表示旋转矩阵R

连续两帧，两种特征点的几何关系

联立非线性方程

最后计算雅克比矩阵J，用非线性优化的办法最小化d

算法步骤如下：

建图：

可以参考的优秀博文：
LOAM-SLAM原理的深度解析