SLAM会议笔记（四）Lego-LOAM

LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain

Abstract

提出一种轻量级的ground-optimized雷达定位与建图方法。首先用点云分割滤除噪声点，然后提取特征边界和平面点。

Introduction

轻量级算法在小型嵌入式系统中实现。LOAM应用于本项目时，由于计算资源受限，特征提取的频率无法保证与传感器采集一致。此外在噪声环境下，LOAM的表现同样较差。
首先用点云分割去除不可靠点。ground-optimized方法，两步最优化位姿估计。第一步从地面提取特征点计算，第二步从分割后的点云提取边界特征点计算 。

Segmentation

为时间t采集的一组点，所有点首先被投影到距离图像上。 一个点p被表示为图像上的一个像素。r表示点 到传感器的距离。应用一种基于图像的分割方法，将图像点分为不同的簇，相同簇的像素被打上相同的标签。由此得到一个时间t采集的距离图像，每个像素点拥有三种属性，分别为：1.标签：表示地面点或分割点。2.在距离图像中的行列索引指针。3.距离值。

Feature Extraction

同LOAM方法，计算点的光滑度。根据光滑度排序选取边界和平面点。

Lidar Odometry

寻找对应点之间的联系的方法在LOAM中给出，提出几种提升效率和精度的方法。

1. 标签匹配：只在有相同标签的点簇中寻找对应关系，在标签为地面的点中寻找对应平面点，标签为分割簇的点中寻找边界点。因为在相邻两次采集中有相同标签的点簇更可能有对应关系，所以能够提升精度，并且排除需要计算遍历的点数量。
2. 两步L-M最优化方法：先通过平面点对应关系计算 ，再通过边界点对应计算 ，减少35%时间情况下得到相同精度。

Lidar Mapping