多传感器融合SLAM --- 16.LVI-SAM简介及基础知识
SLAM在导航和定位中起着关键作用，通过结合视觉、IMU和激光雷达数据实现高精度定位。VINS-FUSION是一种多传感器融合算法，利用视觉特征、IMU预积分和激光雷达数据进行初始化和优化，提升定位精度。激光SLAM利用激光雷达生成点云数据，但需解决扫描起始点和结束点不重合导致的畸变问题。多模态融合算法如LVI-SAM，通过整合视觉、惯性、激光雷达和IMU信息，实现更鲁棒的定位和环境感知。
目录
1 SLAM在导航定位的作用
2 VINS - FUSION介绍
3 激光SLAM简单介绍
4 多模态融合SLAM算法
1 SLAM在导航定位的作用
如图所示，SLAM算法在导航与定位领域中扮演了关键角色。
用：
2 VINS - FUSION介绍
中间的框（Sect. IV）是传感器的测量：视觉特征的提取（FAST角点、用光流法进行跟踪匹配）、IMU预积分。
左面的初始化（Sect. Ⅴ）就是将视觉-惯性进行对齐的一个过程，用一段时间内视觉的观测根据匹配关系计算运动，累计到一定程度（20-30帧）会对这段时间的运动和匹配结果进行全局BA算出一个更加准确的视觉里程计的结果。得到这个视觉里程计的结果后将IMU预积分的结果和视觉里程计的结果进行对齐，求解坐标系的外参、系统尺度及重力加速度。
初始化之后，进入了滑动窗口紧耦合优化求解的过程。同时也会进行回环检测。
3 激光SLAM简单介绍
代表性的激光SLAM：
激光点云运动畸变：因为激光雷达每旋转一圈就能生成一帧完整的点云，所以激光雷达下的每个点都是不同时间测量的，这在机器人静止时是没问题的。然而，当机器人运动时，问题就暴露出来了，激光雷达扫描的起始端和末端不吻合，导致点云发生畸变，使物体产生拉伸变形。
4 多模态融合SLAM算法
LVI-SAM简介：由视觉惯性子系统和激光惯性子系统构成。
基于激光雷达能够获取环境的几何信息，将该设备与IMU协同工作，可实现初始化的快速完成。通过激光惯性里程计输出的数据，辅助视觉SLAM进行初始化，从而显著提升了初始化的准确性和效率。通过外参将激光点云投影至图像中，辅助提取视觉特征并进行深度计算。随后，将激光、视觉和IMU的信息进行融合，构建联合因子图以优化整体系统性能。
