📚 激光 SLAM ：从 LOAM 到 LVI-SAM 🚀（浅学）

📚 激光 SLAM ：从 LOAM 到 LVI-SAM 🚀（浅学）
参考视频

1. LOAM (LiDAR Odometry and Mapping) 🌟

1.1 简介 📖

• 发表时间：2014 年，刊登于机器人顶刊 RSS。
• 作者：卡内基梅隆大学（CMU）张继博士。
• 全称：LiDAR Odometry and Mapping in Real-Time（实时激光雷达里程计与建图）。
• 影响力：
  • 引用量超 2000 次，经典之作！🏆
  • 在 KITTI 里程计榜单中，激光 SLAM 算法排名第一，总榜第三（前两名与视觉相关）。🎯
• 代码：未开源，但香港科技大学（HKUST）的 ELOAM 复现版本常用于对比。

1.2 算法框架 🔧

• 输入：激光雷达点云数据。
• 点云配准：特征提取 + 运动补偿。
• 激光里程计 (LiDAR Odometry)：以 10 Hz 输出位姿。
• 激光建图 (LiDAR Mapping)：将点云与全局地图匹配，频率 1 Hz。
• 变换整合 (Transform Integration)：输出世界坐标系下的位姿。

1.3 优点 ✅

• 创新点：首次提出基于曲率的特征提取方法，领先当时技术。📈
• 运动补偿：针对机械式激光雷达扫描时间不一致问题进行校正。⏱️
• 混合策略：结合 scan-to-map（里程计）和 map-to-map（建图）思想。🗺️

1.4 缺点 ❌

• 无回环检测：缺乏闭环机制，易累积漂移。🔄
• 旋转问题：难以处理大幅旋转变换。
• 适用场景：在 KITTI 城市道路数据集表现优异，因旋转变化少，平移为主，适合 LOAM 优势发挥。🚗

---

2. LEGO-LOAM 🌱

2.1 简介 📖

• 发表时间：2018 年，刊登于 IROS。
• 作者：MIT 团队，Tixiao Shan（继承 LOAM，称为“接力棒”）。
• 全称：Lightweight and Ground-Optimized LiDAR Odometry and Mapping on Variable Terrain。
• 影响力：引用量超 1000 次，代码已开源。

2.2 算法框架 🔧

• 输入：激光雷达点云数据。
• 地面分割：区分地面点与非地面点。
• 特征提取：分为边缘点和面点，细化特征分类。
• 激光里程计与建图：频率分别为 10 Hz 和 2 Hz。
• 变换整合：输出世界坐标系位姿。
• 创新：轻量化设计，地面优化，新增回环检测模块。

2.3 优点 ✅

• 轻量化：可在 NVIDIA Jetson TX 2 嵌入式平台实时运行。
• 地面优化：处理城市化道路和非平整道路表现优于 LOAM。
• 回环检测：新增回环检测模块，提升长期精度。
• 因子图优化：引入 GTSAM 因子图优化框架。

2.4 缺点 ❌

• 地面分割依赖：算法效果依赖地面分割的准确性。
• IMU 作用有限：松耦合的 IMU 系统作用不显著。
• 回环检测简单：仅在偏移较小时有效，缺乏重定位能力。

---

3. LIO-SAM 🌍

3.1 简介 📖

• 发表时间：2020 年，刊登于 IROS。
• 作者：Tixiao Shan 团队。
• 全称：Tightly-Coupled LiDAR Inertial Odometry via Smoothing and Mapping。
• 特点：成熟的多传感器融合算法，代码已开源，引用量超 700 次。
• 适用场景：手持设备、车辆、无人船等多种场景。

3.2 算法框架 🔧

• 输入：激光雷达、IMU、GPS（可选）。
• 因子图优化：基于 GTSAM，包含以下因子：
  • 🟠 IMU 预积分因子：加速度、角速度、噪声等。
  • 🟢 激光里程计因子：关键帧与体素地图匹配。
  • 🟡 GPS 因子：在估计协方差较大时插入。
  • ⚫ 回环检测因子：搜索 15 米内历史关键帧进行匹配。
• 关键帧：基于距离（1 米）和角度（10 度）阈值选择。

3.3 优点 ✅

• 多传感器融合：激光雷达与 IMU 互补，降低退化场景误差。
• 紧耦合：传感器输入与优化量紧密结合。
• 因子图优化：增量平滑与建图，减少误差。
• 鲁棒性：在激光退化场景表现优异。

3.4 缺点 ❌

• 关键帧特征丢失：未充分利用关键帧间特征。
• 退化场景局限：严重退化场景未针对性优化。

---

4. LVI-SAM 📸

4.1 简介 📖

• 背景：基于 LEGO-LOAM 和 LIO-SAM，融合视觉、激光雷达、IMU。
• 特点：视觉子系统与激光雷达子系统交互，提升鲁棒性。
• 代码框架：结合视觉里程计与激光里程计，互补优化。

4.2 算法框架 🔧

• 输入：
  • 📷 相机：视觉子系统提供回环检测。
  • 📡 激光雷达：提供深度信息。
  • 📍 IMU：增强紧耦合优化。
• 子系统交互：
  • 激光雷达为视觉提供深度信息。
  • 视觉为激光雷达提供回环检测。
• 因子图优化：综合多传感器数据，输出高精度位姿。

4.3 优点 ✅

• 多模态融合：视觉与激光雷达互补，提升鲁棒性。
• 紧耦合优化：IMU 在急剧变化场景中提供强约束。
• 全局一致性：建图效果优于 LOAM、LEGO-LOAM，漂移少。

4.4 缺点 ❌

• 复杂性：多传感器融合增加计算复杂性。
• 依赖性：视觉子系统对环境光照敏感。

---

5. 算法横向对比 🔍

5.1 LOAM 🛠️

• 输入流：从 LiDAR 点云 ( $P_k$) 开始，进入点云配准模块。
• 数据流：
  • 点云配准 → 里程计 (10 Hz 更新) → 建图 (1 Hz 输出)。
  • 里程计与建图共同 feeding 变换整合模块。
• 频率对比：
  • 里程计和变换整合的高频 (10 Hz) 保证实时性。
  • 建图的低频 (1 Hz) 优化计算资源。
• 关键点：运动补偿是框架的基础，确保点云数据的一致性。🌟

5.2 框架详细分解 🔧

5.2.1 点云配准 (Point Cloud Registration) 🌱

• 位置：图像中绿色部分。
• 功能：
  • 运动补偿：由于机械式激光雷达在扫描过程中，点云并非同一时刻获取（不同点采样时间不一致），需进行校正。
    • 方法：通过每个点的时间戳进行插值，投影到同一时刻。
  • 特征提取：基于曲率提取特征点，为后续匹配提供基础。
• 输出：校正后的点云数据 ( P_k )（1 Hz 未失真点云）。

5.2.2 激光里程计 (LiDAR Odometry) 🌐

• 位置：图像中紫色部分。
• 功能：
  • 估计两帧点云之间的相对位姿 (Pose)，通过 scan-to-scan 匹配。
  • 频率：10 Hz，高频更新确保实时性。
• 输出：两帧间的位置变换数据，传递给变换整合模块。

5.2.3 激光建图 (LiDAR Mapping) 🗺️

• 位置：图像中橙色部分。
• 功能：
  • 将连续10帧点云数据与全局地图匹配（scan-to-map），生成世界坐标系下的位置。
  • 频率：1 Hz，相对较低以减少计算负担。
• 输出：1 Hz Map Output，更新全局地图。
• 变换更新：提供 1 Hz Transform Update 给变换整合模块。

5.2.4 变换整合 (Transform Integration) 🔗

• 位置：图像中蓝色部分。
• 功能：
  • 实时利用世界坐标系下的位置及两时刻间的相对位姿，更新每个时刻的世界坐标系位姿。
  • 频率：10 Hz，与里程计保持一致，确保实时输出。
• 输出：10 Hz Transform Output，提供连续位姿估计。

5.3 总结 🎯

• LOAM 框架通过分层设计（配准 → 里程计 → 建图 → 整合）实现高效的实时 SLAM。
• 其创新在于运动补偿和曲率特征提取，但缺乏回环检测，适合平移为主的场景（如城市道路）。
• 频率分配（10 Hz vs 1 Hz）体现了里程计实时性与建图稳定性的平衡。

---

5.2 📚 LEGO-LOAM 框架分析 🚀

1. LEGO-LOAM 框架概览 🌱

• 输入：激光雷达点云数据 (Point Cloud)。
• 目标：轻量化设计，优化地面分割，实时计算里程计 (Odometry) 和建图 (Mapping)，输出世界坐标系下的位姿。
• 频率：
  • 里程计更新：10 Hz。
  • 建图输出：2 Hz。
  • 变换整合更新：10 Hz。
• 核心创新：地面分割 (Segmentation) 和轻量化 (Lightweight) 设计。🌟

2. 框架详细分解 🔧

2.1 点云输入与分割 🌍

• 位置：图像中黄色部分 (Point Cloud)。
• 功能：
  • 地面分割 (Segmentation)：将点云投影为距离图像（例如16线激光雷达，竖直分辨率16，水平分辨率0.2°，生成1800×16图像，像素值表示到传感器的欧式距离），区分地面点和非地面点。
  • 目的：优化非平整或颠簸路段的性能。
• 输出：分割后的点云数据，传递至特征提取。

2.2 特征提取 📈

• 位置：图像中灰色部分 (Feature Extraction)。
• 功能：
  • 基于分割结果，从非地面点提取边缘特征 (Edge Features, ( $F_e$ )) 和平面特征 (Planar Features, ( $F_p$))。
  • 历史特征 (如 ( $F_e^{t-1}, F_p^{t-1}$ )) 用于匹配。
• 输出：提取的特征点，输入至里程计模块。📍

2.3 激光里程计 (LiDAR Odometry) 🌐

⚠️upload failed, check dev console

• 位置：图像中左侧灰色部分 (Lidar Odometry)。
• 功能：
  • 基于提取的特征点，使用两次 LM 优化，计算两帧点云间的相对位姿 (Pose Estimation)。
  • 频率：10 Hz，高频确保实时性。
• 输出：相对位姿数据，传递至变换整合。

2.4 激光建图 (LiDAR Mapping) 🗺️

• 位置：图像中右侧灰色部分 (Lidar Mapping)。
• 功能：
  • 通过 scan-to-map 匹配，构建全局地图或世界坐标系下的位姿。
  • 频率：2 Hz，较低频率优化计算资源。
• 输出：2 Hz 地图更新，传递至变换整合。
• 变换更新：提供位姿数据给变换整合模块。

2.5 变换整合 (Transform Integration) 🔗

• 位置：图像中蓝色部分 (Transform Integration)。
• 功能：
  • 实时利用世界坐标系下的位置及两时刻间的相对位姿，更新整体位姿。
  • 频率：10 Hz，与里程计保持一致。
• 输出：连续的位姿估计 (Lidar Mapping)。
• 附加输出：变换参数 $( t_x, t_y, t_z, \theta_{roll}, \theta_{pitch}, \theta_{yaw})$

4. 与 LOAM 的对比 🔍

• 相似点：均包含点云配准、里程计、建图和变换整合模块。✅
• 不同点：
  • LEGO-LOAM 增加地面分割，提升非平整道路适应性。🌍
  • 建图频率从 LOAM 的 1 Hz 提高到 2 Hz，响应更快。⏩
  • 轻量化设计是主要改进，适合资源受限设备。💡

5. 总结 🎯

• LEGO-LOAM 在 LOAM 基础上通过地面分割和轻量化实现优化，特别适合非平整路段。

---

5.3 📚 LIO-SAM 框架分析

1. LIO-SAM 框架概览 🌍

• 输入：激光雷达帧 (LiDAR Frames)、IMU 测量 (IMU Measurements)、GPS 测量 (GPS Measurement, 可选)。
• 目标：通过紧耦合的多传感器融合和因子图优化，实时计算高精度里程计和建图，输出机器人状态节点 (Robot State Node)。
• 核心特点：基于因子图优化的框架，使用关键帧进行匹配。

2. 框架详细分解 🔧

2.1 关键帧与数据输入

• 关键帧：蓝色圆点 (如 $( X_0, X_1, X_2, \ldots, X_j, X_{j+1} )$ )。
  • 选择标准：基于距离 (1米) 和角度 (10°) 阈值，超过阈值即为关键帧，丢弃非关键帧以优化计算。📏
  • 匹配：关键帧间进行特征匹配。🔗
• 输入数据：
  • LiDAR 帧 (LiDAR Frames)：蓝色菱形 (如 $( F_0, F_1, F_2, \ldots, F_j, F_{j+1} )$ 。
  • LiDAR 子关键帧 (LiDAR Sub-keyframes)：辅助匹配。
  • IMU 测量：橙色曲线，提供预积分因子。
  • GPS 测量：黄色圆点，辅助定位 (使用较少)。

2.2 因子图优化 📊

• 因子类型 (四种因子)：
  • 🟠 IMU 预积分因子 (IMU Preintegration Factor)：
    • 包含加速度、角速度及 IMU 噪声 (偏差随机游走、高斯白噪声)。
    • 形成两个位置间的约束，作为连接部分。
  • 🟢 激光里程计因子 (LiDAR Odometry Factor)：
    • 基于关键帧与前 N+1 关键帧的体素地图匹配，计算两帧间的位姿变换。
    • 与 LOAM 和 LEGO-LOAM 不同，仅使用关键帧特征。
  • 🟡 GPS 因子 (GPS Factor)：
    • 仅在估计位姿协方差大于 GPS 协方差时插入，频率较低。
  • ⚫ 回环检测因子 (Loop Closure Factor)：
    • 搜索当前位置 15 米内历史位置，匹配前后 12 个关键帧特征，构建约束。
    • 方法类似 LEGO-LOAM 的回环检测。

2.3 数据流与输出 🌐

• 流程：
  • IMU 测量 → 预积分因子 → 约束关键帧位姿。
  • LiDAR 帧 → 里程计因子 → 更新关键帧位姿。
  • GPS 测量 → GPS 因子 → 辅助校正 (条件触发)。
  • 回环检测 → 闭环约束 → 全局优化。
• 输出：机器人状态节点 (如 ( X_j )），通过扫描匹配 (Scan Matching) 优化。

3. 与 LOAM/LEGO-LOAM 的对比 🔍

• 相似点：均处理 LiDAR 数据，包含里程计和建图功能。
• 不同点：
  • LIO-SAM 使用关键帧和因子图优化，而 LOAM 和 LEGO-LOAM 依赖帧间直接匹配。
  • 引入IMU和GPS因子，增强鲁棒性；LEGO-LOAM 仅靠 LiDAR 优化地面。
  • 回环检测更复杂，支持全局闭合。

4. 总结 🌟

• LIO-SAM 通过因子图优化和多传感器融合，显著提升精度和鲁棒性，特别适合退化场景。

---

5.4 📚 LVI-SAM 框架分析 🚀

1. LVI-SAM 框架概览 📸

• 输入：相机图像 (Camera)、激光雷达点云 (LiDAR)、IMU 测量 (IMU)
• 目标：通过视觉-惯性子系统和激光雷达-惯性子系统的协同，实时计算高精度里程计和建图，输出 IMU-rate 位姿。
• 核心特点：双子系统融合 (视觉 + 激光雷达)，互助通信增强鲁棒性。

2. 框架详细分解 🔧

2.1 子系统结构 🌐

• 视觉-惯性子系统 (Visual-Inertial System)：
  • 输入：相机图像。
  • 流程：
    • 特征跟踪 (Feature Tracker)：提取图像特征（含深度或无深度）。
    • 深度配准 (Depth Registration)：利用激光雷达提供的深度信息校准特征。
    • 激光雷达辅助视觉-惯性里程计 (LiDAR-aided Visual-Inertial Odometry)：结合视觉和 IMU 数据计算位姿。
  • 输出：视觉里程计数据及回环检测。
• 激光雷达-惯性子系统 (LiDAR-Inertial System)：
  • 输入：激光雷达点云。
  • 流程：
    • 去畸变点云 (De-skewed Point Cloud)：校正点云运动畸变。
    • 特征提取 (Feature Extraction)：提取边缘和平面特征。
    • 特征匹配 (Feature Matching)：匹配当前帧与历史帧特征。
    • 激光雷达里程计 (LiDAR Odometry)：计算相对位姿。
  • 输出：激光雷达里程计数据及深度信息。

2.2 子系统交互 🤝

• 通信机制：
  • 激光雷达子系统为视觉子系统提供深度先验，增强特征配准。
  • 视觉子系统为激光雷达子系统提供回环检测，优化全局一致性。
• 状态：两个子系统实时交互，互相穿插使用。🔄

2.3 多传感器优化

• 多传感器图优化 (Multi-sensor Graph Optimization)：
  • 融合视觉和激光雷达里程计数据。
  • 利用 IMU 测量进行紧耦合优化。
• 输出：IMU-rate 位姿 (IMU-rate Pose)，实现高频更新。

4. 与前述框架的对比 🔍

• 与 LOAM：新增视觉输入和多传感器融合，解决 LOAM 无回环检测的局限。
• 与 LEGO-LOAM：增加视觉子系统，增强非平整路段和退化场景表现。
• 与 LIO-SAM：引入视觉维度，优化回环检测和全局一致性