loam 算法个人总结

loam 简介

loam 是2014年lidar实现的 slam，经典的入门算法，kitti数据集排名始终靠前，代码开源过后来关闭了，但有人模拟出 A-loam、lego-loam

论文地址： www.ri.cmu.edu/pub_files/2014/7/Ji_LidarMapping_RSS2014_v8.pdf

代码：www.github.com/HKUST-Aerial-Robotics/A-LOAM

1.点云提取特征

用局部表面平滑度指标判断

根据c值对扫描点进行排序，c值最大的特征点即边缘点，c值最小的特征点即平面点。为了在环境中均匀分布特征点，将扫描分为四个相同的子区域。每个子区域最多可以提供2个边缘点和4个平面点。当点 i 的c值大于或小于阈值，且所选点个数不超过最大值时，点 i 才能被选为边点或平面点（特征点的均匀化）​​​​​​。

剔除异常点，如下图所示

a中，B点是平行点，橙色激光束与B所在平面平行，这种测量不准

b中，A点容易被遮挡，为遮挡点，也不采用

2.特征点匹配

这里目的是让第k帧和第k+1帧的边缘点匹配，

但雷达即便是一帧数据，不同时刻坐标原点也会随着雷达变动，

首先要统一坐标系，如图

上图把tk到tk+1这一帧之间的点云pk，投影到pk一横，再把橙色pk+1投影到tk+1时刻，也就是前一帧投影到结束时刻，后一帧投影到开始时刻，这样坐标系统一了。

怎么把pk投影到pk一横，用到雷达点云校正方法，有三种

1）用视觉里程计位姿校正

2）用imu计算旋转补偿

3）只有雷达时，用线形插值，假设雷达匀速运动，所以是线性插值，loam用此方法，右图球面插值更准确

要两帧匹配，在红色扫描线提取 i 和 与i距离最近的点 j，为了匹配，要用i到直线的距离，为了得到直线，用绿色扫描线的小写L点与j组成直线，这样i与小写L、j组成的直线距离最短时，说明两帧特征点重合，此时的两帧的转换矩阵才是最优的。

距离De的求法，平行四边形面积/小写Lj长度，两条相邻边向量叉乘得到平行四边形面积

平面点使用原理类似

算出Dh的长度，平面法线与平面交点，确定平面，当i到平面距离最短时，两帧间的位姿变换最优，每个点都这么做，会组成很多残差，用于优化。

建图部分：

如下图所示，目的是用绿色的地图对齐之前的黑色地图，在当前帧的位置取立体栅格，建立局部地图，黄色区域不能太靠边，范围在3-18之间，当lidar采集到的点落入某个block时，就用这个点去匹配这个block的特征点，与之前不同的是提取边缘点大于2个，平面点大于3个

程序中，一旦centerCubeI<3也就是黄色区域太靠左，就要把黄色区域往右移动，

I         I 五星 I          I         I         I   变为

I         I         I 五星  I         I         I

此处 i = laserCloudWidth - 1，从最大开始递减

角点 laserCloudCornerArray【 3 】= laserCloudCornerArray【 2 】，也就实现了右移一个block