【LOAM与A-LOAM学习笔记：从原理理解到面试准备】-CSDN博客

本文链接：https://blog.csdn.net/weixin_47429781/article/details/148088795

作为一名正在学习SLAM的学生，我在研究激光SLAM算法时，LOAM和A-LOAM是绕不开的两个重要算法。经过一段时间的理论学习和实践，我想分享自己的理解，希望能帮助到同样在学习的小伙伴们。

一、初识LOAM：激光SLAM的经典之作

LOAM框架图

刚开始接触LOAM时，我被它精妙的设计深深吸引。下面是我对LOAM核心原理的理解：

1.1 特征提取：找到点云中的"路标"

边缘点和平面点示例

LOAM最让我印象深刻的是它区分两种特征点的方式：

边缘点：就像场景中的"地标"，如桌角、门框等。算法通过计算局部曲率来识别：

# 简化的曲率计算
def calculate_curvature(points, index):
    neighbors = points[index-5:index+5]  # 取附近点
    return sum(np.linalg.norm(points[index]-p) for p in neighbors)/len(neighbors)

平面点：提供稳定的定位参考，如墙面、地面等。实验中发现，适当增加平面点比例能提升稳定性。

1.2 双线程架构：实时与精度的平衡

LOAM的双线程设计解决了SLAM中的关键矛盾：

高频里程计线程（10Hz）：保证实时性。在跑KITTI数据集时，这个设计让轨迹估计很流畅。
低频建图线程（1Hz）：确保地图质量。我注意到如果提高这个频率，建图效果会更好，但计算量也大增。

1.3 运动补偿：容易被忽视的重要细节

刚开始我忽略了这点，结果在建图时出现了明显的"重影"。LOAM的运动补偿原理其实很直观：

记录每个激光点的时间戳
根据运动估计插值得到每个时刻的位姿
将所有点统一到同一坐标系

二、A-LOAM：更友好的实现版本

A-LOAM（Advanced LOAM）是基于LOAM（Lidar Odometry and Mapping）的改进版本，主要在代码结构、优化求解、畸变校正等方面进行了优化，同时保留了LOAM的核心思想和算法框架。以下是A-LOAM相对于LOAM的具体改进点和不变点：

2.1 主要改进点

代码结构优化
- A-LOAM对LOAM的代码进行了重构，使用了Ceres-solver和Eigen库，使代码更加简洁、易读。这种改进提高了代码的可维护性和可扩展性。

// 坐标变换对比
// 原始LOAM
transformToStart(point, s);
// A-LOAM
Eigen::Vector3d transformed_point = rotation * point + translation;

原始LOAM的矩阵运算很难懂，A-LOAM用Eigen重写后清晰多了。

A-LOAM去掉了LOAM中对IMU信息修正的接口，专注于激光雷达数据的处理，简化了系统架构。

优化求解改进
- A-LOAM使用了Ceres-solver的自动求导功能来替代LOAM中手动推导的ICP（Iterative Closest Point）优化求解。虽然这可能会导致计算效率略有下降，但大大提高了代码的可读性和开发效率。

LOAM中的ICP优化

// LOAM中手动实现的ICP优化
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(source_cloud);
icp.setInputTarget(target_cloud);
icp.align(result_cloud);

A-LOAM中使用Ceres-solver的优化

// A-LOAM中使用Ceres-solver的优化
ceres::Problem problem;
problem.AddResidualBlock(
    ceres::AutoDiffCostFunction<ICPResidual, 1, 6>(new ICPResidual(point1, point2)),
    nullptr,
    pose);

ceres::Solver::Options options;
options.linear_solver_type = ceres::DENSE_QR;
options.minimizer_progress_to_stdout = true;

ceres::Solver::Summary summary;
Solve(options, &problem, &summary);

畸变校正优化
- A-LOAM在畸变校正方面进行了改进，虽然具体的畸变校正方法与LOAM类似，但在实现上更加高效。例如，A-LOAM在位姿估计的迭代过程中对特征点进行畸变校正，减少了畸变对定位精度的影响。
  LOAM中的畸变校正

LOAM中的畸变校正

// LOAM中可能的畸变校正代码
for (size_t i = 0; i < points.size(); ++i) {
    Eigen::Vector3d point = points[i];
    point = correctDistortion(point, timestamp[i]);
    corrected_points.push_back(point);
}

A-LOAM中的畸变校正

// A-LOAM中可能的畸变校正代码
for (size_t i = 0; i < points.size(); ++i) {
    Eigen::Vector3d point = points[i];
    double timestamp = timestamps[i];
    Eigen::Vector3d corrected_point = correctDistortion(point, timestamp);
    corrected_points.push_back(corrected_point);
}

特征点提取与匹配
- A-LOAM在特征点提取和匹配方面进行了优化，提高了特征点的提取效率和匹配精度。这有助于提高系统的实时性和定位精度。
  LOAM中的特征点提取

// LOAM中可能的特征点提取代码
void extractEdgeFeatures(const pcl::PointCloud<pcl::PointXYZ>& cloud, std::vector<pcl::PointXYZ>& edge_features) {
    for (const auto& point : cloud) {
        if (isEdgePoint(point)) {
            edge_features.push_back(point);
        }
    }
}

A-LOAM中的特征点提取

// A-LOAM中可能的特征点提取代码
void extractEdgeFeatures(const pcl::PointCloud<pcl::PointXYZ>& cloud, std::vector<pcl::PointXYZ>& edge_features) {
    for (const auto& point : cloud) {
        if (isEdgePoint(point)) {
            edge_features.push_back(point);
        }
    }
    // A-LOAM可能在这里添加了额外的优化逻辑
    optimizeEdgeFeatures(edge_features);
}

2.2 不变点

核心算法框架
- A-LOAM保留了LOAM的核心算法框架，包括激光雷达里程计（Lidar Odometry）和建图（Mapping）的基本流程。它仍然基于特征点提取、特征点匹配和非线性优化来实现位姿估计和地图构建。
特征点类型
- A-LOAM与LOAM一样，主要提取边缘点和平面点作为特征点。这些特征点用于描述环境的几何结构，并在位姿估计和地图构建中发挥关键作用。
位姿估计与地图构建的基本原理
- A-LOAM和LOAM都通过优化相邻帧之间的变换关系来估计位姿，并将点云投影到全局地图中进行匹配和优化。这一基本原理在A-LOAM中没有改变。
多线程处理
- A-LOAM仍然采用多线程处理，包括里程计线程和建图线程。这种架构使得系统能够在实时运行中高效地处理激光雷达数据。