LOAM笔记

CSDN有篇结合paper分析代码的博文，下面是我对paper的理解：

1. 综述

整个LOAM本质就是一个激光里程计，没有闭环检测，也就没有图优化框架在里面，该算法把SLAM问题分为两个算法同时运行，实现实时建图，一个odometry算法，10Hz；另一个mapping算法，1Hz。两个算法都是从点云中提取尖锐的边（sharp edges）和平整表面（planar surface）特征点，然后进行特征匹配，来估计lidar的运动以及fine match with local map，匹配的过程核心思想还是基于距离的判断，LOAM里面的匹配（correspondence）并不是简单的feature point到feature point的，而是edge point 到 edge line以及planar point 到 planar patch，在后续运动估计中用到的dis也是点到线的距离以及点到面的距离，所以我感觉匹配的过程就像是一个基于feature的点到面（线）的ICP算法；当然odometry和mapping算法的edge line 和 planar patch的确定略有不同，具体看第3小结的介绍。

2. odometry算法

输入是已经消除畸变（所谓的消除畸变就是把P_k点云中的所有的点都映射到同一个时刻t_k+1）的上一次扫描的点云、此次扫描过程中逐渐增长的点云P_k+1以及上一次计算的pose trans 。如果是一次新的扫描就让等于0，然后从点云P_k+1中提取边和平面的特征点分别构成边的特征点集合和平面的特征点集合。对于每一个边的点以及平面的点我们找到在的对应边和对应平面，然后根据（11）式，构建约束方程，然后估计Lidar的运动，当然每个约束方程都分配一个权重，特征点到对应边（或者对应面）的距离越大就分配越小的权重，如果距离大于一定阈值，就把权重设置成0，这样就可以更新 ，当非线性优化收敛或者迭代次数到达预设值后，break。如果本次odometry算法已经到达一次扫描的结束时刻就把P_k+1的所有点映射到t_k+2时刻，完成对P_k+1点云的运动补偿，否则就只输出已经更新的，为下一次的odometry算法做准备。

3. mapping算法

mapping算法就是将已经消除畸变的点云先转换到全局坐标系变成，然后与局部地图做match，所谓的局部地图就是在已经匹配好并且转换到全局坐标系下的前10m（当然范围是cube）点云。

mapping算法的match跟odometry算法的match过程略有不同（主要体现在correspondence确定方式的不同），在中提取特征点的方式跟之前一样，也就是根据c值判断一个点是edge or planar point，但是特征点的数量是odometry算法的10倍，然后在Q_k中找特征点的correspondence，在odometry算法中，correspondence的确定是为了最快的计算速度（基于最近邻的思路找对应线以及对应面），而mapping算法是通过对特征点周围的点云簇进行PCA主成分分析（求点云簇的协方差矩阵的特征值和特征向量），来找到对应边和对应面。correspondence确定后的过程就跟之前一样了，实现将配准到local map.

4. 系统整体过程

其中trans整合过程如下：