其他的略
打开lidar_localization/config/scan_context文件夹，输入如下命令，生成pb文件
protoc --cpp_out=./ key_frames.proto
protoc --cpp_out=./ ring_keys.proto
protoc --cpp_out=./ scan_contexts.proto
mv key_frames.pb.cc key_frames.pb.cpp
mv ring_keys.pb.cc ring_keys.pb.cpp
mv scan_contexts.pb.cc scan_contexts.pb.cpp
分别修改生成的三个.pb.cpp文件。如下，以ring_keys.pb.cpp为例。
// Generated by the protocol buffer compiler. DO NOT EDIT!
// source: ring_keys.proto
#define INTERNAL_SUPPRESS_PROTOBUF_FIELD_DEPRECATION
#include "ring_keys.pb.h" 替换为 #include "lidar_localization/models/scan_context_manager/ring_keys.pb.h"
#include <algorithm>
之后，用以上步骤生成的的.pb.h文件替换lidar_localization/include/lidar_localization/models/scan_context_manager
中的同名文件。
将.pb.cpp文件替换lidar_localization/src/models/scan_context_manager中的同名文件。
这样编译就没有问题了。
front_end.yaml 中 whether_use_back_end 设置为NO
front_end.yaml 中 whether_use_back_end 设置为YES
服务：前端地图保存
rosservice call /save_front_end_map
订阅畸变补偿后的点云，lidar里程计，gnss里程计，回环检测节点的回环因子
根据距离上一帧位移是否足够远得到关键帧，gnss关键帧，关键帧点云（这里的关键帧只包含pose、id索引、时间戳，与点云是分开存储的）
选取关键帧的方式大概分为三种
- 距离上一关键帧的帧数是否足够多，缺点较明显，当运动较慢时，会产生大量冗余关键帧，运动较快，会丢失重要关键帧
- 距离上一关键帧的位移足够远，可以解决上述问题，但是，当来回扫描同一个物体，同样会产生大量冗余关键帧
- 上一关键帧的共视点的数量足够少，这样就可以解决上述问题。
展望：目前只使用了第2种方法，后期可以改进一下
给图优化器添加新关键帧顶点，与上一关键帧的边，以及gnss位置作为观测的先验一元边
根据图优化器中的关键帧顶点数，gnss因子数量，回环因子数判断是否需要优化，若需要优化，优化后保存更新位姿数据
服务：后端轨迹数据保存
rosservice call /save_back_end_pose
订阅后端发布的关键帧、gnss关键帧、关键帧点云
将当前关键帧转换为scan context和ring key，加入回环系统
距离上一关键帧之间关键帧数数量足够多，就开始回环检测
先通过ring key得到回环关键帧的候选者，然后计算候选者的sector key得到精准的匹配方案
匹配候选者和当期关键帧的scan context，利用余弦距离得到相似度最高的最佳候选者：
d
(
I
q
,
I
c
)
=
1
N
s
∑
j
=
1
N
s
(
1
−
c
j
q
⋅
c
j
c
∥
c
j
q
∥
∥
c
j
c
∥
)
(5)
d\left(I^{q}, I^{c}\right)=\frac{1}{N_{s}} \sum_{j=1}^{N_{s}}\left(1-\frac{c_{j}^{q} \cdot c_{j}^{c}}{\left\|c_{j}^{q}\right\|\left\|c_{j}^{c}\right\|}\right)\tag{5}
d(Iq,Ic)=Ns1j=1∑Ns(1−∥∥cjq∥∥∥∥cjc∥∥cjq⋅cjc)(5)
参考我之前文章：
https://blog.csdn.net/weixin_44035919/article/details/124926041
验证1：回环因子的两帧的id得到gnss位置误差小于阈值
点云配准优化回环因子的位姿：当前帧和最佳候选者的局部地图配准
验证2：返回点云配准的可靠得分大于阈值，最终全部通过即可发布回环因子
服务：回环数据保存
rosservice call /save_scan_context
这个比较简单直观，略。
期间遇到一个bug，在点云发布者中，点云点数不等于宽×高导致报错如下，
pcl::toPCLPointCloud2(const pcl::PointCloud<PointT>&, pcl::PCLPointCloud2&) [with PointT = pcl::PointXYZI]: Assertion `cloud.points.size () == cloud.width * cloud.height' failed.将点云设置为无序点云解决：
cloud_ptr_input->width=cloud_ptr_input->points.size(); cloud_ptr_input->height = 1;
分段误差：
整体误差：
平均绝对轨迹误差只有0.132866m，相比于前端有了很大的改进。
只说一下目前想到的待改进之处吧
后端可以使用多态试试因子图的效果如何
NDT算法改进
gnss位置作为观测先验时，需要考虑权重，当gps位于失效场景中时，要减小权重。
关键帧选择上采用的是位移足够远，是否能采用共视点数足够多，解决来回扫描的场景。
融合相机图像信息，使系统更加鲁棒。
框架链接如下：
链接: https://pan.baidu.com/s/19Rr1mcVWIUyAKoucRkTSYg 密码: nkbk
–来自百度网盘超级会员V4的分享如有错误，请加我v：peak1229258698交流指正。