今天讲一篇经典的LIO（LiDAR-Inertial Odometry）SLAM论文——LIO-SAM。
雷达+里程计由于其高鲁棒性、较低成本（二维雷达不贵、三维雷达价格也在降、IMU不太贵），可以说是工业机器人应用最广泛的SLAM解决方案了。对于三维LiDAR+IMU的结局方案，在github上的开源算法并不多，甚至可以说就LIO_SAM和FAST_LIO两种（及它们的前身和衍生物）。

如果尝试过运行这两个算法的人，一般都会觉得FAST_LIO是更好用的算法，FAST_LIO不需要标定，计算速度更快，定位精度更高、建图效果也更细腻（LIO-SAM真难用，对IMU标定要求极高，非常容易漂移）。但是为什么LIO_SAM的star更多呢？道理很简单，如果你只是想运行一个LIO算法，那FAST_LIO可能更好，但是如果你想改代码，那你一定更会绝对修改LIO_SAM更简单，具体为什么往后看。

Overview

系统框架如下所示，乍一看花里胡哨的，实际上是一个非常清楚的紧耦合LIO框架。$x_i$代表的被优化的位姿，每两个之间都有两个约束，一个绿色的雷达里程计约束、橙色的IMU约束。时不时会加入黄色的GPS和紫色的回环约束。然后使用iSAM一起优化。

雷达里程计

雷达里程计用的还是LOAM的方法，区别在于使用了关键帧和scan_to_map，没有使用每两个相邻帧进行匹配。
首先是关键帧，关键帧可以减少约束，增加效率。选择的方法很简单，只有当前位置和上一个节点位置变化范围超过阈值（雷达里程计提供），才保存为关键帧，加入新的优化节点。
然偶是匹配，使用滑动窗口保存一定数量的雷达帧，叠加起来过一个体素滤波降采样（非常常见的做法）。将目前的scan和submap进行匹配（LOAM），得到雷达里程计。

IMU预积分

紧耦合的核心，原理太难了我也不会，以后再说。但是核心思想就是，IMU频率是非常快的，两个scan之间都有很多数据，需要一个个积分过去算出来约束，但是在更新之后需要重新计算，使用预积分模型之后就不需要重新计算了（大概感觉就像差分数组，加速修改这种，我瞎说的）。

GPS

就是一个全局约束，当累计出来的协方差大于GPS本身协方差的时候，会加入一个GPS因子。

回环

LIO-SAM的回环很简单，找到之前最近的keyframe，利用那帧keyframe周围的scan组成submap，然后使用LOAM的方法进行匹配。
核心在于提供了一个回环的接口，不需要你自己改，从而衍生了很多版本的LIO-SAM。

代码结构解析

LIO-SAM只include了一个utility.h文件，里面定义了一些全局变量。剩下主要文件就4个，非常常见的结构。

imageProjection预处理点云，featureExtraction提取plane和edge特征，imuPreintergration向因子图里面添加IMU预积分因子，mapOptimization进行优化（把雷达里程计的计算和添加其他因子也放在了里面）。

总而言之，想要在LIO-SAM上进行修很简单，尤其是在加传感器的时候，在·mapOptimization里加一个新的sub，然后加入因子图中，就搞定了，堪称工业利器。