LOAM和SSL-SLAM

news2024/9/25 23:15:13

今天来水两个激光SLAM的相关框架的学习笔记。

一、LOAM

首先介绍scan-to-scan map-to-map scan-to-map之间的关系：

1.scan-to-scan匹配

即两帧激光雷达数据之间的匹配，目的是求得从起始帧A到目标帧B的相对平移量与旋转矩阵。目前来说scan-toscan中，匹配效果最好的方法是ICP（Iterative Closest point迭代最邻近点算法）优点是计算量小速度快，缺点是误差累计大，长距离误差累计后地图就无法看了。

2.map-to-map的匹配

即地图与地图之间的匹配，优点是精度高，误差累计小；缺点就是计算量大，实时性压力大。

3.scan-to-map的匹配即激光雷达扫描数据直接与地图进行匹配，这种方式一边计算位置，

一边把新扫描到的数据及时加入到已有的地图中。他的优缺点都比较适中。

编辑

添加图片注释，不超过 140 字（可选）

LOAM的框架如上所示，其中包括了点云对齐、激光里程计、建图以及对变换矩阵的积分。

总的来说，虽然scan-to-scan匹配精度差但是计算量较小因此我们可以高频执行进而实现粗定位。虽然map-to-map计算量大但是我们可以让其执行的频率降低实现精定位。这样的高低频率结合的里程计就保证了计算量的同时又兼具了精度。这里对粗定位和精定位进行了一个划分，其中粗定位的特点是计算快速，精定位的特点是算的精确。这样相互配合的方式，使得LOAM在当时具备了高精度和低计算量的特点。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这里有个疑问：为什么程序中可以把公式(1)的分母部分省略掉，是因为分母影响不大？还是说分母能化简成常数从而不需要考虑了？

ans：

说法1：这块没注意过，我猜上面也说了只是一个标准，分母也就是个系数而已，可能是影响阈值。

说法2：为了有效减少计算量，使用前后五个点来进行计算。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

上面这个时间轴要好好理解，k时刻处理的数据会投影到k+1时刻，而k+1时刻收集到的数据也会直接投影到当前坐标系下。

运动补偿：(假设线性运动，使用线性插值来对位置姿态进行计算)

编辑切换为居中

添加图片注释，不超过 140 字（可选）

点云对齐和特征提取：

说法一：点云配准其实说通俗点也可以叫点云对齐，这里提取特征就是为了对齐的时候确定数据关联，可能配准方法的区别就在于采用何种数据关联方式（比如区别于icp的启发式方法），其它差异不大，因此作者就将特征提取和点云配准统一到一起了吧（比如说统一成了“特征法的点云配准”这个概念）。

说法二：特征提取这一块其实在激光雷达slam中，也是可以叫做点云注册的。lidar registration和feature point extraction是一个意思，都是从原始数据中提取特征点信息。

二、SSL-SLAM

编辑切换为居中

添加图片注释，不超过 140 字（可选）

编辑切换为居中

添加图片注释，不超过 140 字（可选）

编辑切换为居中

添加图片注释，不超过 140 字（可选）

八叉树：八叉树及K-D树的应用和实现_viewcode的博客-CSDN博客_八叉树和k-d树结合起来

这里补充：八叉树和kdtree之间的区别，八叉树是把空间均匀地分为8等分然后继续8等分，并且在深度增加的情况下，其占用的内存会上升，导致计算缓慢。而kdtree的划分依据有轮转法或者计算每个维度的协方差来进行比较，这种划分方式并不是等分的，因此kdtree的搜索效率已经在细粒度的数据下能够表现得很好。

注意：也有将八叉树和k-d树结合起来的应用，应用八叉树进行大粒度的划分和查找，而后使用k-d树进行细分，效率会有一定的提升，但其搜索效率变化也与数据量的变化有一个线性关系。也即可以将八叉树和kdtree结合起来使用，但是并不能对所有的场景起作用。

固态雷达和机械雷达：

1、机械雷达：

特点：激光发生器竖直排列并可以360°旋转，通过旋转对四周环境进行全面的扫描。

优点：可以通过物理旋转进行3D扫描，对周遭环境进行全面的覆盖形成点云。其次是分辨率高。

缺点：高频的转动和复杂的机械结构致使其平均的失效时间仅1000-3000小时。

2、纯固态激光雷达