三.全局定位--LIO-SAM在RTK全局约束下建图和定位（1）

专栏相关文章：

 开源框架测试

一：Tixiao Shan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客

二.激光SLAM框架学习之A-LOAM框架---介绍及其演示_goldqiu的博客-CSDN博客

八.激光SLAM框架学习之LeGO-LOAM框架---框架介绍和运行演示_goldqiu的博客-CSDN博客

十一.激光惯导LIO-SLAM框架学习之LIO-SAM框架---框架介绍和运行演示_goldqiu的博客-CSDN博客

十二.激光SLAM框架学习之livox-loam框架安装和跑数据集_goldqiu的博客-CSDN博客

二十二.香港大学火星实验室R3LIVE框架跑官方数据集_goldqiu的博客-CSDN博客

二十四-香港大学火星实验室FAST-LIO2框架跑官方数据集_goldqiu的博客-CSDN博客

实车测试

七.激光SLAM框架学习之A-LOAM框架---速腾Robosense-16线雷达室内建图_goldqiu的博客-CSDN博客

九.激光SLAM框架学习之LeGO-LOAM框架---速腾Robosense-16线雷达室外建图和其他框架对比、录包和保存数据_goldqiu的博客-CSDN博客

十三.激光SLAM框架学习之livox-Mid-70雷达使用和实时室外跑框架_goldqiu的博客-CSDN博客

十六.激光和惯导LIO-SLAM框架学习之配置自用传感器实时室外跑LIO-SAM框架_goldqiu的博客-CSDN博客

十八.多个SLAM框架（A-LOAM、Lego-loam、LIO-SAM、livox-loam）室外测试效果粗略对比分析_goldqiu的博客-CSDN博客

二十六-香港大学火星实验室FAST-LIO2框架跑自录数据集（Mid-70和SBG-Ellipse-N惯导）_goldqiu的博客-CSDN博客

标定

十四.激光和惯导LIO-SLAM框架学习之惯导内参标定_goldqiu的博客-CSDN博客

十五.激光和惯导LIO-SLAM框架学习之惯导与雷达外参标定（1）_goldqiu的博客-CSDN博客

二十.激光、视觉和惯导LVIO-SLAM框架学习之相机内参标定_goldqiu的博客-CSDN博客

二十一.激光、视觉和惯导LVIO-SLAM框架学习之相机与雷达外参标定（1）_goldqiu的博客-CSDN博客

开源框架学习

三.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---1.项目文件介绍（除主要源码部分）_goldqiu的博客-CSDN博客

四.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---2.scanRegistration.cpp--前端雷达处理和特征提取_goldqiu的博客-CSDN博客

五.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---3.laserOdometry.cpp--前端雷达里程计和位姿粗估计_goldqiu的博客-CSDN博客

六.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---4.laserMapping.cpp--后端建图和帧位姿精估计（优化）_goldqiu的博客-CSDN博客

十.激光SLAM框架学习之LeGO-LOAM框架---算法原理和改进、项目工程代码_goldqiu的博客-CSDN博客

十七.激光和惯导LIO-SLAM框架学习之IMU和IMU预积分_goldqiu的博客-CSDN博客

十九.激光和惯导LIO-SLAM框架学习之项目工程代码介绍---代码框架和一些文件解释_goldqiu的博客-CSDN博客

二十三.激光和惯导LIO-SLAM框架学习之LIO-SAM项目工程代码介绍---基础知识_goldqiu的博客-CSDN博客

从这篇博客就开始进入到Localization、Navigation部分了

二十五.SLAM中Mapping和Localization区别和思考

Planning

一.路径规划---二维路径规划仿真实现-gmapping+amcl+map_server+move_base_goldqiu的博客-CSDN博客

二.路径规划---二维路径规划实车实现---gmapping+amcl+map_server+move_base_goldqiu的博客-CSDN博客

测试流程：

1. 先进行磁力计的标定
2. 起始点静止一段时间保存数据（经纬高），作为全局定位下的全局地图的起始点。
3. 录制一段闭合路径下的数据包，保存雷达、imu、GNSS数据。
4. 寻找2个标志清晰的定位点，静止一段时间保存数据包，保存雷达、imu、GNSS数据。

数据分析：

RTK下GNSS原始数据MATLAB分析

该图为GNSS静止状态下的经纬高数据，可看到经纬度为厘米级（小数点第6位代表厘米），高程方面为绝对误差10cm，相对误差正负5cm（单位是m），也是可以接受的。

该图为闭合路径下的经纬高数据，可以作为grouthtruth来评判Mapping的效果。

六轴（三轴加速度、陀螺仪）和九轴（三轴加速度、陀螺仪、磁力计）与雷达融合的评估（未融合GNSS）：

九轴（三轴加速度、陀螺仪、磁力计）与雷达融合：

点云地图：

轨迹：

六轴（三轴加速度、陀螺仪）与雷达融合：

点云：

略

轨迹：

分析：

在点云方面：

六轴比九轴更加可靠，尤其表现在大角度拐弯（超过90°），6轴点云地图未截图。

在轨迹方面：

较粗的轨迹为GNSS的里程轨迹，可视为groundtruth，对比MATLAB分析下也是一致的。

较细的轨迹为雷达和IMU的里程轨迹，可以看到六轴远比九轴效果更好，无论是在轮廓一致性和偏移量上看。

六轴（三轴加速度、陀螺仪）和九轴（三轴加速度、陀螺仪、磁力计）与雷达、GNSS融合的评估：

九轴（三轴加速度、陀螺仪、磁力计）与雷达、GNSS融合

点云地图：

轨迹：

六轴（三轴加速度、陀螺仪）与雷达、GNSS融合

点云地图：

轨迹：

分析

在点云地图方面：

六轴比九轴的效果要好，原因在于LIO-SAM融合GNSS的原理是融合GNSS里程和IMU、雷达里程，而前面实验可看出九轴下的GNSS里程和IMU、雷达里程偏离太多，而六轴较好。

在轨迹方面：

六轴和九轴下，GNSS里程都对IMU、雷达轨迹有一定的修正，但是六轴效果最佳，可看到轨迹基本重合了，去掉GNSS的里程轨迹，只发现中间有一点断层，怀疑是信号的问题。

定位的评估：

采用六轴与雷达融合（未融合GNSS）:

采用六轴与雷达、GNSS融合:（全局约束）

定位点为第二张图彩色点云块的中心，即校园道路中。两图可以明显对比，GNSS全局约束下建图后定位更加准确，因为第一张图的彩色点云块的中心为建筑内部，而实际测试的定位点在道路中。原因是上面分析的未加全局约束的轨迹有一定角度的偏移，如下：

而全局约束偏移较小：

1. 且对于地图质量来说，全局约束下的地图质量更高，更少重影。

结论：

1. 六轴比九轴更加可靠，且在GNSS全局约束下可以跟groundtruth基本匹配，可作为定位的地图。