基于LOAM框架的激光SLAM開(kāi)源程序匯總

1 前言

LOAM, 即Lidar Odometry and Mapping，是 Ji Zhang 博士于2014年提出的使用激光雷達完成定位與三維建圖的算法。其算法流程如下：

LOAM算法中主要包含兩個(gè)模塊，一個(gè)是Lidar Odometry：基于輸入點(diǎn)云提取出角點(diǎn)與平面點(diǎn)作為特征點(diǎn)進(jìn)行關(guān)聯(lián)匹配，計算出兩次掃描之間的位姿變換，計算頻率為10HZ；

為了減緩單幀點(diǎn)云位姿變換產(chǎn)生的累計誤差，設計了Lidar Mapping 的部分。即將與前一幀配準后的點(diǎn)云與生成的地圖進(jìn)行二次配準，消除漂移。

由于作者編寫(xiě)的LOAM代碼已經(jīng)閉源，目前網(wǎng)上存在著(zhù)一些代碼的復現版本，本文對這些復現版本進(jìn)行了匯總，并概括說(shuō)明了各個(gè)版本代碼的特點(diǎn)，供正在學(xué)習LOAM相關(guān)算法的同學(xué)進(jìn)行參考。

2 基于LOAM框架的開(kāi)源激光SLAM算法

(1) loam_velodyne

代碼鏈接如下：

laboshinl/loam_velodyne: Laser Odometry and Mapping (Loam) is a realtime method for state estimation and mapping using a 3D lidar. (github.com)：https://github.com/laboshinl/loam_velodyne

該代碼程序為按照LOAM論文復現的原生代碼，特點(diǎn)是 基于ROS框架，可直接適用于velodyne-16線(xiàn)激光雷達的建圖。對于想學(xué)習ROS使用的同學(xué)，可以從中了解到如何利用ROS進(jìn)行消息的接收與發(fā)布，如何通過(guò)ROS中的tf完成坐標系之間的轉換。

算法中涉及到的數學(xué)公式如非線(xiàn)性?xún)?yōu)化，并未采用已有的開(kāi)源庫，而是手工一步步推導，需要一定數學(xué)基礎理解代碼。，但通過(guò)代碼的學(xué)習可以加深對公式的理解。

對于上述代碼，網(wǎng)上也存在含有中文注釋的版本，代碼鏈接如下：

cuitaixiang/LOAM_NOTED: loam code noted in Chinese（loam中文注解版） (github.com)：https://github.com/cuitaixiang/LOAM_NOTED

（2) A-LOAM

代碼鏈接如下：

HKUST-Aerial-Robotics/A-LOAM: Advanced implementation of LOAM (github.com)：https://github.com/HKUST-Aerial-Robotics/A-LOAM

利用了Ceres庫提供的非線(xiàn)性?xún)?yōu)化函數，完成了L-M算法中雅克比的推導，去除了IMU數據的引入。整體代碼更加規范整潔，非常適合學(xué)習LOAM思想，也適合新手入門(mén)3D激光SLAM。

（3）oh_my_loam

代碼鏈接如下：

feixyz10/oh_my_loam: ROS-free implementation of LOAM (github.com)：https://github.com/feixyz10/oh_my_loam

脫離了ROS環(huán)境實(shí)現了LOAM，數據通過(guò)函數參數進(jìn)行傳入傳出，整體代碼設計十分整潔，適合想要搭建屬于自己的激光SLAM程序的同學(xué)進(jìn)行借鑒。

（4） loam_livox

代碼鏈接如下：

hku-mars/loam_livox: A robust LiDAR Odometry and Mapping (LOAM) package for Livox-LiDAR (github.com)：https://github.com/hku-mars/loam_livox

利用livox固態(tài)激光雷達，基于LOAM的思想，設計出的算法。因此同樣地，基于livox數據進(jìn)行了特征點(diǎn)提取，特征點(diǎn)的匹配和殘差計算與LOAM一致。同時(shí)利用Ceres庫優(yōu)化了殘差。

（5） LEGO-LOAM

代碼鏈接如下：

irapkaist/SC-LeGO-LOAM: LiDAR SLAM: Scan Context + LeGO-LOAM (github.com)：https://github.com/irapkaist/SC-LeGO-LOAM

在LOAM的基礎上，做了很大的優(yōu)化。其算法流程為：

整個(gè)算法分為五個(gè)模塊。首先對單幀點(diǎn)云進(jìn)行Segmentation：將其投影為一副1800*16的圖像上，每一個(gè)收到的點(diǎn)代表一個(gè)像素。提取出地面點(diǎn)聚類(lèi)，并將非地面點(diǎn)分組為多個(gè)聚類(lèi)，每個(gè)聚類(lèi)的點(diǎn)云具有一致的標簽。

與LOAM近似的方式提取出角點(diǎn)和平面點(diǎn)。在Lidar Odometry的環(huán)節中，選取具有一致標簽的點(diǎn)云進(jìn)行匹配。例如平面點(diǎn)只考慮標記為地面點(diǎn)的點(diǎn)，邊緣點(diǎn)只考慮其他標記大物體的點(diǎn)，以此提升匹配速度。采用兩步L-M優(yōu)化得到前后幀點(diǎn)云的位姿變換。通過(guò)配準平面點(diǎn)得到[tz, roll, pitch], 通過(guò)配準角點(diǎn)來(lái)估計[tx, ty, yaw]。在Lidar Mapping 環(huán)節，將特征點(diǎn)與周?chē)c(diǎn)云圖配準，同時(shí)增添了圖優(yōu)化和回環(huán)檢測，進(jìn)一步優(yōu)化位姿變換，減少漂移。

相應的，網(wǎng)上也存在著(zhù)其中文注釋版本

wykxwyc/LeGO-LOAM_NOTED: LeGO-LOAM代碼注釋與學(xué)習 (github.com)：https://github.com/wykxwyc/LeGO-LOAM_NOTED

（6） SC-LEGO-LOAM

代碼鏈接如下：

irapkaist/SC-LeGO-LOAM: LiDAR SLAM: Scan Context + LeGO-LOAM (github.com)：https://github.com/irapkaist/SC-LeGO-LOAM

SC-LEGO-LOAM 融合了ScanContext 與 LEGO-LOAM，其中ScanContext是一種點(diǎn)云數據的全局描述符，其提取方法如下：

由于回環(huán)檢測（場(chǎng)景識別）= 場(chǎng)景描述 + 搜索， Scan context 的作用是作為描述符來(lái)描述點(diǎn)云數據，其搜索算法可以保證回環(huán)能夠被快速檢測出來(lái)。因此將ScanContext應用到LEGO-LOAM的回環(huán)檢測部分，提高回環(huán)的速度和準確性。

3 一些學(xué)習建議

對于初學(xué)者而言，為了掌握LOAM的框架算法，可以在閱讀論文了解原理后，優(yōu)先對A-LOAM代碼進(jìn)行閱讀和理解，快速掌握算法實(shí)現的流程。在熟悉LOAM算法框架后，工程實(shí)踐中，LEGO-LOAM在自動(dòng)駕駛領(lǐng)域的建圖中應用較多，因此可以重點(diǎn)對LEGO-LOAM進(jìn)行學(xué)習，并再此基礎上提出自己的改進(jìn)并進(jìn)行實(shí)驗。