[学习SLAM]LOAM （Lidar Odometry and Mapping in Real-time）
L-SLAM相关论文
LOAM: Lidar Odometry and Mapping in Real-time, 2014
这篇论文在Lidar 3D SLAM领域具有经典地位，在SLAM问题研究上进行了开创性探索。作者突破传统框架，在SLAM问题上进行了创新性探索，并将其划分为高频运动估计模块与低频环境建模部分。其中高频运动估计模块有效实现了对动态环境的实时处理能力；而低频环境建模部分则巧妙地解决了实时性的难题。该解决方案不仅达到了预期效果，在KITTI Odometry评测中始终保持前三名优异成绩。
论文笔记：
LOAM 论文原理分析
简述
LOAM源码主要包含四个核心组件：分别是特征点提取系统、高频低精度odom估算器、低频高精度odom优化模块以及双频融合定位功能。每个子系统均以独立的ROS节点形式实现，并即各自运行独立的计算进程。这些子系统之间通过rostopic发布与订阅机制传递点云数据以及odom信息。
ScanRegistration节点
基于VLP-16的激光扫描框架，在单一帧的点云数据中实施按线束划分策略（将整个扫描范围划分为十六个子束），其中每一幅Sweep被定义为一个独立的Scan单元，并同时记录该框架不仅识别出各子区域所属的线束信息以及对应采样位置的空间分布特征，并且能够精确地获取该区域内所有采样点的时间戳信息（相对于当前这一帧的第一位采样点）。
在对单个Scan进行特征点提取时，在Laser Odometry算法中会采用相对时间来进行运动补偿操作。所有Extracted Scan的特征数据将被整合到两个独立的Point Clouds中（分别对应于角落和表面特征），以便后续处理。至此，在每Frame原始Point Cloud的基础上生成两组对应的Feature Point Clouds，并将它们传递给下一个节点Laser Odometry进行处理。
laserOdometry节点
完成运动补偿与同步校准任务。由于每架激光束都会被纳入处理范围（因此达到与VLP16扫描系统相同的频率水平），即10Hz。通过精确校正每一副激光图像的位置信息，则可以获得较低精度的空间定位结果（即Odometry）。对于相邻框架之间的初始姿态估计，在具备IMU设备支持时可以直接采用其测量值；而当不具备IMU设备时，则可依据匀速运动模型推导出各相邻框架之间的相对运动参数（即假设当前框架相对于前一框架的位姿变化与上一阶段一致）。
本节点输出的ODOM频率为10hz.此ODOM的作用:
（a） 在laserMapping中用于位姿的预测。
（b） 在transformMaintenance方法中向laserMapping输出的低频ODOM数据施加插值运算, 从而实现高频（每秒10Hz）的ODOM数据生成.
在实际应用场景中, 帧间对位达成的DOMO方案可以通过IMU、视觉里程计和底盘编码器等多种手段进行取代。而在高速场景下, 运动补偿则是不可或缺的技术手段。
LaserMapping节点
本节点完成了一个比较全面的SLAM流程,即完成了同时建图与定位的任务.主要工作：
利用多帧激光特征点云结合POSE姿态信息进行拼接处理后生成特征点云地图。在之前的部分中已经介绍了这些特性参数包括corner和surface两种类型因此在这里我们构建了相应的两种类型的三维特征点云地图。
（b）对齐新增的帧与地图空间进行配准操作，最终实现更加精确的POSE估计。在此POSE估计的基础上触发后续a流程以完成建图操作。
鉴于单个帧与地图之间的配准计算量较为显著,本节点并未对所有连续的帧进行地图配准,而每隔若干帧就会执行一次配准操作。例如每隔5个框架进行一次配准（其频率相应为2赫兹）。若您的应用场景具备足够的运算性能，则可以实现逐帧匹配。如果采取上述策略，则该transformMaintenance节点便失去了存在的必要。
如果能够将本节点生成的特征地图进行存储, 那么就可以将这些地图用作离线的地图. 在线场景中, 我们可以把这张图传递给laserMapping节点, 用于实现定位功能.
laserOdometry和laserMapping中都涉及到点云配准问题.
该问题通常包括一个源点云和一个目标点云,其目标是通过旋转变换和平移操作使源点云尽量与目标点云对齐.
在laserOdometry算法中执行的配准操作涉及两个关键点云数据：源点云（source）和目标点云（target）。具体而言，在这一过程中，源点云对应的是最新一帧的三维数据集合（new frame point cloud），而目标点云则来源于上一帧的数据记录（previous frame point cloud）。
在laserMapping过程中配准所得的source为最新一帧的point cloud,而target则为前一帧经过融合形成的point cloud mapping.
显然在此处所指的点云即为特征点云, 它们被划分为corner和surface两种类型, corner对应的是一种corner map, surface对应的是一种surface map.
优化流程:
基于DOM定位技术推导出起始姿态；同时，在从source域到target域的过程中，在目标域边缘线上确定相应的角点位置；同时，在source域内识别出表面特征，在目标域中匹配相应的平面模型
利用点-线与点面之间的关联关系共同构建约束条件，并将这些约束条件基于其对应的几何特征展开分析。采用非线性最小二乘法来求解参数。最终获得最佳姿态估计值。
TransformMaintenance节点
利用laserOdmetry生成的结果是high-frequency odometer reading来进行interpolation处理low-frequency odometer reading from laserMapping
论文见附件