Lego-LOAM论文阅读笔记

LOAM在UGV上的问题

（1）UGV 没有足够的算力来计算每个点的 smoothness

（2）安装在 UGV 上的传感器靠近地面，容易得到不稳定的特征。例如 grass，tree leaf 等

核心思想

（1）在特征提取步骤，对地面进行分割(适用于 UGV，减小特征搜索范围)以及对点云聚类(去除散乱的点)来保证特征的质量，并且采用两步L-M算法来进行里程计位姿求解。相比于LOAM，可以实现在嵌入式平台上实时运行。

（2）以帧为单位构建 pose-graph 进行回环优化，使得全局地图可以调整

系统框图

里程计

（1）将当前帧点云投影到 range image，利用“a column-wise evaluation”提取地面

（2）对非地面点云进行聚类(BFS，广度优先搜索)，丢掉点云数量少于30的类

（3）按照 LOAM 中的公式计算每个点的 Smoothness，并将每条线划分为6个区域，在每个区域中提取线面特征(线特征只在非地面点云中提取，面特征只在地面点云中提取)

（4）同类特征匹配并结合两步 L-M 算法计算位姿(误差函数还是点到线，点到面的距离)

注：只在 scan to scan 环节使用两步 L-M 算法

两步 L-M 算法：

1.使用地面面特征优化高度和水平角，2.使用线特征优化水平位移和航向角

与 LOAM 相比，两步 L-M 算法精度可以达到一样，但运算时间会减少很多，这里我觉得时间减少很大程度是因为构建的约束少了，因为从实验来看迭代次数并没有减少

建图

利用局部特征组成局部地图。有两种方式获得局部特征：（1）距离当前帧 100 m 内的帧，（2）相邻的 k 帧

其中，利用第二种方式可以构建 pose graph，同时可以进行闭环优化(利用 ICP 获得闭环约束，优化库采用gtsam)

总结

Lego-LOAM 的大部分改进算法主要针对于 UGV，所以局限性比较大。但是对点云进行聚类后再提取特征的思想值得借鉴