在lvi-sam中，作者通过视觉处理的时候，利用lidar的深度信息，得到了更稳定的估计。
那在代码里是怎么实现的呢？
一起来看看看呗。
1. 在lvi-sam的feature_tracker_node.cpp 中，我们使用了全局变量 depthCloud 和 cloudQueue和timeQueue来存储数据。
2. 在lidar_callback中，我们首先在倾听vins_world 和 vins_body_ros之间的transform。这其实就是vins得到的视觉里程计。
3. 我们对于接受的点云进行了降采样。 并且，根据xyz的关系，我们去除了一部分在相机坐标系之外的点。（这里觉得有点奇怪，因为不是应该先把点云转到相机坐标系，再按照视角对于点进行去除吗？）
4. 把点云转换到相机坐标系
5. 通过视觉里程计把点云继续转换到全局坐标系
6. 将解析好的点云存储到全局变量中
7. 当deque中元素时间过老时，去除点云。
8. 在全局坐标系对于点云进行降采样
到目前为止，我们把叠加的点云存入了depthCloud，并且处于全局坐标系。
但其实目前为止，只算是深度图的匹配的预处理。
在main函数中，我们定义并且初始化了类DepthRegister。通过get_depth这个函数的接口，我们得到图像的信息！
9.我们等待此时刻来自vins的里程计信息，然后重新将全局坐标系的点云转换到此刻的本地坐标系。
10. 接下来，我们把视觉里程计的坐标转换到一个固定分辨率的正方形图像上。
11. 我们把点云同样投影到一个球体，并且先设定好点云的分辨率。
12. 对于深度图，我们把所有有意义的值存到点云中。
13. 我们继续把点云转换到一个单位球的坐标系中。针对图像特征，我们利用kdtree的最近邻搜索寻找最近的点云特征点。
14. 继续。。。待续
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
