LeGO-LOAM:轻量级地面优化的建图

LEGO-LOAM 是基于LOAM优化的系统，相比之下，有以下优点：
1）LeGO-LOAM是轻量级的，因为可以在嵌入式系统上实现实时姿态估计和建图。
2）去除失真数据，在地面分离之后，执行点云分割以丢弃可能表示不可靠特征的点。
3）LeGO-LOAM引入地面优化，因为我们引入了两步优化姿势估计。从地面提取的平面特征用于在第一步中获得$[t_z,{\theta }_{roll},{\theta }_{pitch}]$；在第二步中，通过匹配从分段点云提取的边缘特征来获得其余部分的变换$[t_x,t_y,{\theta }_{yaw}]$
4）集成了回环检测以校正运动估计漂移的能力。

论文：https://ieeexplore.ieee.org/abstract/document/8594299
代码：https://github.com/facontidavide/LeGO-LOAM-BOR/tree/speed_optimization
下图在KITTI数据集上明显看出定位精度之高。

摘要

本文提出一个轻量级、地面优化的雷达里程计和建图方法，LEGO-LOAM，用来实施估计地面车辆的6DOF位姿估计。该系统是轻便的，可以在低功率嵌入式系统上实现实时位姿估计。该系统是基于地面优化的，在分割和优化步骤中利用了地平面。

首先应用点云分割步骤过滤噪声，
接下来使用特征提取步骤获得边缘和平面特征。
之后，两步LM优化算法使用平面和边缘特征点来解决连续扫描中6DOF变换的不同分量。

使用从地面车辆的可变地形环境中收集的数据集，将LeGO-LOAM的性能与最先进的LOAM进行了比较，结果表明LeGO-LOAM可以在降低计算费用的同时达到相似或更高的精度 。 我们还将LeGO-LOAM集成到SLAM框架中，以消除由漂移引起的姿势估计误差，该误差已使用KITTI数据集进行了测试。

主要贡献

本文的核心在五个部分：点云分割segmentation、特征点提取feature extraction、雷达里程计lidar odometry、雷达建图lidar mapping、变换融合transform fusion。

• 点云分割：使用单次扫描的点云，并将其重投影到距离图像上进行地面分割，非地面点被分割出来。点云分割可以去除不稳定的特征点。
• 特征点提取：基于分割后的点使用LOAM进行边缘点和平面点提取。
• 雷达里程计：根据提取的特征点构建scan-to-scan约束，两次LM优化，估计姿态。第一步，从地面提取的平面特征点用于获得$[t_z,{\theta }_{roll},{\theta }_{pitch}]$；第二步，通过匹配从分段点云提取的边缘特征来获得其余部分的变换$[t_x,t_y,{\theta }_{yaw}]$
• 雷达建图：构建scan-to-map约束，构建全局地图。
• 变换融合：融合Lidar Odometry和 Lidar Mapping进行精确的姿态估计。

一、Segmentation

符号设定：
时间t时获得的点云集$P_t=(p_1,p_2,.....p_n)$，$p_i$是$P_t$中一个单独的点。
$r_i$表示点$p_i$到传感器的欧几里得距离。

目的：将点云分割为边缘点类和平面点类两类。

距离图像range image的分辨率为1800*16.
投影图像的水平方向分辨率为1800，因为激光雷达水平方向角度分辨率为0.2度，所以$\frac{360}{0.2}=1800$，投影图像竖直方向分辨率为16，因为激光雷达竖直方向有16根扫描线。

1）将三维的点云集 P t P_{t}