LIO-SAM论文与代码阅读笔记（一）论文阅读
文章目录
- 0.前言
- 1.内容介绍
- 2.研究背景
- 2.1.不同的地图维护方式
- 2.2.LIO的紧耦合和松耦合
- 3.方法
- 3.1.因子图
- 3.2.激光里程计因子
- 3.3.GPS因子
- 4.实验
- 4.1.旋转数据集
- 4.2.行走数据集
- 4.3.校园数据集
- 4.4/5.公园数据集和运河数据集
- 5.总结
- 5.1.LIO-SAM的核心思想和优缺点
- 5.2.LiDAR SLAM的展望
0.前言
本文是 LIO-SAM论文与代码阅读笔记系列文章的一部分，所有博客如下：
LIO-SAM论文与代码阅读笔记（一）论文阅读
LIO-SAM论文与代码阅读笔记（二）代码阅读：imuPreintergration.cpp和imageProjection.cpp
LIO-SAM论文与代码阅读笔记（三）代码阅读：featureExtraction.cpp和mapOptmization.cpp
本文参考博客：【论文阅读38】LIO-SAM
1.内容介绍
注意下面的说法，他说LOAM的scan-to-map是使用全局地图进行匹配，其实也是有道理的。虽然LOAM中维护的是一个局部的栅格地图，但是这个地图中其实是可以包含之前的点的，比如绕一个大圈回到原点，这个时候栅格地图中的点其实也包括最开始的时候的哪些点，因此虽然栅格地图是局部的，但是里面保存的地图点是全局的（当然每一步都会对栅格地图中的点进行体素滤波下采样来降低内存）。所以我感觉这也是LOAM精度高的一个原因？
2.研究背景
2.1.不同的地图维护方式
再次解释了LOAM用的栅格体素地图属于本质上属于全局地图，每一帧扫描之后就把地图加到了这个栅格地图中，这样就分不清哪些点云是哪一帧扫描的了，自然后面即使有GPS或者回环对位姿进行了修正，但是也没办法对点云的位置进行修正了，因为不知道这些点云是哪一帧扫描的。
而LIO-SAM中用的就是单独存储每一帧的点云，这样后面修正位姿后也可以接着修正点云的世界坐标。
2.2.LIO的紧耦合和松耦合
注意下面的说法，使用IMU去点云畸变也属于松耦合，然后把IMU估计结果和LiDAR估计结果进行EKF滤波也算松耦合的方法。
而紧耦合的方法又包括ErIEKF的方法和图优化的方法。
3.方法
3.1.因子图
3.2.激光里程计因子
-
下面的讲解有点歧义，LiDAR中应该不存在关键帧的说法，每一帧都使用，所以可以认为每一帧都是关键帧，每一帧又都是普通帧。不确定是不是这样？但是LOAM中给后端发送当前帧的点云进行匹配的时候进行了降频啊？是不是这样就是关键帧？
解答：不是！这篇博客中最后写了，这确实是使用关键帧的方法，相当于借鉴了视觉SLAM的思想，就是为了提速。后面实验部分可以看到LIO-SAM可以倍速很多运行，感觉和使用这个方法以及使用iSAM2有关。
-
最后一句注意就是LIO-SAM中地图匹配的方法，使用scan-to-map的时候使用的map是过去n+1个帧的点云组成的，并不是LOAM中那种全局的栅格地图。
3.3.GPS因子
主要就是三点处理：
- 转笛卡尔坐标系
- 线性插值得到对应LiDAR时间戳的GPS值
- 一直有GPS的话，就不用一直加入GPS进行优化，因为实际上LIO的漂移是很慢的。
4.实验
创新不够，实验来凑！
4.1.旋转数据集
只用LIO和LO对比，这样在剧烈旋转的时候LOAM基于匀速运动的假设自然就不成立了，所以实验对LIO有优势。
可以看到下面蓝色部分LOAM很模糊，LIO的结果就比较清晰。
4.2.行走数据集
还是剧烈平移和旋转运动，还是不满足匀速运动假设，所以仍然是对LIO有利。
4.3.校园数据集
这里大部分是自己和自己比了，尤其在对比回环和GPS的作用，这个确实是LIO-SAM实打实的长处所在。
4.4/5.公园数据集和运河数据集
都是大场景，其实就是为了表现融合了GPS之后漂移变小。
5.总结
5.1.LIO-SAM的核心思想和优缺点
5.2.LiDAR SLAM的展望
看下面博客作者的总结和评论，可以总结出以下几点：
- LIO系统去掉scan-to-scan是必然的，因为scan-to-scan就是为了得到给后端scan-to-map优化使用的较为准确的位姿初值，现在有了IMU就用不到它了，只要特征匹配是正确的，后端优化到最优位姿问题不大；
- scan-to-map的时候使用局部地图的优势是降低了对全局地图的处理时间。实际上虽然LOAM用的栅格地图本质上也是局部地图，但是它维护的栅格地图也比较大，如果需要移动地图也是要进行处理。并且其实这种全局栅格地图虽然说也可能有最开始的一些扫描点，但是肯定匹配起作用的还是大部分的最近的那些点，这样对比使用最近n帧的局部地图精度也不会下降很多。
- 确实SLAM的问题仍然在前端特征匹配上，后端的理论已经比较完善了。就是高博那句话，“好模型耐不住烂数据”，再好的后端优化处理，前端的特征匹配是错的也没用。
