LOAM, ALOAM, LegoLOAM, hdl graph slam比较

LOAM

LOAM:

• LOAM使用了作者定义的特征点提取和匹配方法，主要去边角点和平面点。LOAM use a new defined feature system (corner and flat point), for the detail see its article.
• LOAM假设每一次激光扫描过程中是匀速运动，并且用这个假设修正激光雷达数据的运动扭曲问题。在VLOAM中则是更进一步，使用视觉的里程计估计每一个扫描数据的运动。LOAM suppose linear motion within the scan swap (VLOAM further uses visual odometry to estimate it), and undistort the lidar points.
• LOAM也有一个低频率调用的全局优化线程。

A-LOAM

ALOAM github page

另外，下面的算法都使用hdl_graph_slam给到的室外数据集做了结果的测试，建模的图像如下所示。由于没有找到轨迹的真实值，没有对轨迹误差做比较分析。

LOAM和ALOAM的区别（Difference LOAM vs A-LOAM）:

• LOAM中提供了使用IMU信息修正的接口， ALOAM中省略了这一块。LOAM has IMU refinement.
• ALOAM中缺少了对提取到的特征点的筛选过程，具体可以参见LOAM的代码部分（对一些不好的边角点做了筛选）。Lack feature filter in A-LOAM.
• LOAM中的优化LM方法是作者自己编写的，ALOAM则是使用了Ceres库完成这一部分。LOAM implies the LM solver itself. A-LOAM uses Ceres solver.
• 补充上面的一点，LOAM中作者解析地求出了雅各比的表达式（其中使用了一些小技巧统一了不同特征点的残差函数的导数表达），ALOAM则是简单地使用了ceres提供的自动求导工具（这样可以节省开发的时间，得到了也是准确的解，但是运算时间会稍稍长些，具体可以参见ceres的官方文档）。LOAM use analytical derivatives for Jacobians, but A-LOAM uses the automatic derivatives offered by Ceres (which is exact solution but a little bit slower).
• 相比于原本的LOAM， ALOAM的可读性更高，非常适合学习。尤其是雅各比的部分，LOAM原本的雅各比推导非常的难理解。ALOAM直接用自动求导，整个SLAM最复杂的运算就不需要推导了！

Performance:
• A-LOAM seems good,less redundant points.
• but has more error in far edges.
• LOAM method has no assumption of a consisten