A-LOAM理论解读

回环：像这样与之前的某一帧建立位姿约束关系就叫做回环

回环检测：找出可以建立这种位姿约束的历史帧，就是回环检测

字典：许多单词放在一起构成了词典

单词：差距较小的描述子的集合

词袋：图像上有哪几种特征（单词）来描述一幅图像

运动补偿的目的就是把所有的点云补偿到某一时刻,这样就可以把本身在过去100ms内收集的点云统一到一个时间点上去 这个时间点可以是起始时刻,也可以是结束时刻,也可以是中间的任意时刻

运动畸变:  同一个点云中，各个点在采集时，LiDAR的位姿是不同的）

激光雷达的一帧数据是过去一周期内形成的所有数据,数据仅有一时间戳,而非某个时刻的数据,因此在这一帧时间内的激光雷达或者其载体通常会发生运动,因此,这一帧的原点不一致,会导致一些问题,这个问题就是运动畸变

因此，现在利用词袋模型我们将回环检测大致分为了以下三个步骤：

1. 构建字典（所有单词的集合) 
2. 确定一帧中具有哪些单词，用向量表示 (1表示具有该单词，0表示没有)
3. 比较两帧描述向量的差异

 （参考：(1条消息) 回环检测_huangkangying的博客-CSDN博客_回环检测）

一帧图像：对应到激光雷达内部就是电机旋转一圈完成扫描

BoW库：关于字典生成问题（根据图像学习单词）

位姿估计：位姿的估计往往是一个递推的过程，即由上一帧位姿解算当前帧位姿，因此其中的误差便这样一帧一帧的传递下去，也就是我们所说的累积误差。

k-means:算法思想就是首先随机确定K个中心点作为聚类中心，然后把每个数据点分配给最邻近的中心点，分配完成后形成K个聚类，计算各个聚类的平均中心点，将其作为该聚类新的类中心点，然后重复迭代上述步骤直到分配过程不再产生变化

TF-IDF:条目频率-逆文档频率，用于对单词加权。

归一化：将数据集的一列值转化到0-1的范围内。

卡尔曼滤波

位姿变换指的是每一帧点云在世界坐标系下的位姿，也可以理解为点云所处的雷达坐标系到世界坐标系下的变换

---

图优化

 1. 构建图，机器人位姿当做顶点，位姿间关系当做边，这一步常常被成为前端（front-end），往往是传感器信息的堆积。

 2. 优化图，调整机器人位姿顶点尽量满足边的约束，这一步称为后端（back-end）。

 3.点云配准：点云配准旨在将多个点云正确配准到同一个坐标系下，形成更完整的点云。

ICP(iterative closest point)是一种最经典的点云配准算法(Besl和Mckay,1992)，通过迭代对应点搜寻和最小化点对整体距离以估计变换矩阵。只适用于刚性配准。

 最小二乘法：平方和最小

四元数：（类似于立体几何中的复数）：

q=A+Bj=(a+bi)+(c+di)j=a+bi+cj+dk且满足

 一般四元数，把标量部分a设置为0.

四元数的模称为二范数。

残差： 残差在数理统计中是指实际观察值与估计值（拟合值）之间的差

雷达坐标系（每帧扫描到的点云点的坐标point_curr都在雷达坐标系中）

里程计坐标系（由laseOdometry节点粗估计得到的LiDAR位姿wodom_curr对应的坐标系）

地图坐标系（真实的世界坐标系）