学习论文LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain.
LeGO-SLAM, 可在低功耗嵌入式系统下实现实时6自由度位姿估计(轻量级)。
它在分割和优化步骤中利用了地平面的存在。该核心算法主要分为以下几个步骤:
(1). 首先利用点云分割去滤除噪声和不可靠点； (2). 然后利用特征提取去获取独特的平面和边缘特征; (3). 最后使用基于平面和边缘特征的2-step LM优化方法去解决连续扫描中的6自由度转换.
(1). 寻找两次雷达扫描数据之间的关联是： ICP(还有很 多的变体);
(2). 特征匹配: 专门针对Velodyne雷达的CLS检测和匹配方法;
(3). LOAM，目前一个仅依赖激光雷达的较好的低漂移和实时激光雷达VO算法， 它使用边缘和平面特征进行扫描以找到对应的匹配关系[1,2]。
另外：
## **高粗糙率 --> 边缘特征**？ ## **低粗糙率 --> 平面特征**？本文在用点云分割算法去除噪声和不可靠点之后， 利用2-step LM优化算法去优化位姿估计， 最后集成了回环检测能力去修正运动估计漂移.
获取的原始点云数据存在很多噪声，采用点云分割可以忽略小于30个点左右的簇， 同时获取点的以下几个属性
(1). 将点云数据分为地面点和分割点(大型障碍物：树木等),组成一个大范围图像； (2). 大范围图像的行、列序号都已知； (3). 以及大范围数据；
Range Images: 范围图像， 即通过点云获得一定角度上的观察图像，将点云数据以特定的角度投影到二维平面上，再根据距离设定像素值，从而显示图像。
特征提取分别从地面点和分割点中提取特征，在这里给出分类不同点的粗糙率C为：
类似于LOAM，使用***cth***阈值来区分不同类型的特征。
雷达里程计里程计模块是估计相邻两次扫描之间传感器的运动，这种运动变换可使用point-edge和point-plane来进行扫描匹配。
以下两点改进可以提高特征匹配的精度和效率：
(1). 标签匹配：对地面点，只需要匹配之前的地面点集合；对边缘点，只需要匹配之前边缘点的集合；
(2). 2-step LM优化: LM 优化方法在于找到两次扫描之间的最小距离转换。
雷达建图将边缘点集和平面点集与周围的点云地图进行匹配，从而进行一步优化位姿转换矩阵(执行的频率很低)。
建议优化措施： (1). 可以集成位姿图优化到该系统中; (2). 可以加入回环检测模块，进一步消除漂移；
给出一段实验结果对比图[1]. J. Zhang and S. Singh, “LOAM: Lidar Odometry and Mapping in Real-time,” Proceedings of Robotics: Science and Systems, 2014.
[2]. J. Zhang and S. Singh, “Low-drift and Real-time Lidar Odometry and Mapping,” Autonomous Robots, vol. 41(2): 401-416, 2017.
