基于LOAM的激光SLAM汇总

本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。

论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

LOAM

LOAM（Lidar Odometry and Mapping in Real-time）这篇论文是发表于2014年RSS的文章 ，是基于激光雷达而搭建的在ROS平台下的SLAM系统。该方法能够同时获得低漂移和低计算量，不需要高频率的测距和惯性测量，其核心思想是对复杂的同步定位与建图问题进行分离，分别通过两个算法实现，一个是高频的里程计和低精度的运动估计，另一个算法则运行低频的点云匹配与配准。结合两个算法能够进行实时建图。后期的激光SLAM基本都在这个版本的基础上进行迭代和优化。

LOAM_velodyne

loam_velodyne是Loam的velodyne雷达版本。

开源代码：https://github.com/laboshinl/loam_velodyne

A-LOAM

A-LOAM是LOAM的一个简化版本，去掉了IMU以及一些其他细节，采用了Eigen，ceres等替代了原有LOAM代码中的手动实现，非常适合学习LOAM思想，也适合新手入门3D激光SLAM。

开源代码：https://github.com/HKUST-Aerial-Robotics/A-LOAM

LOAM-Livox

LOAM-Livox是针对livox-LiDAR的一个激光里程计和建图（LOAM）的功能包 Loam-Livox是一个适用于 Livox LiDAR 强大的、低漂移实时的里程计和建图功能包 Livox LiDAR 是专为大量工业用途而设计的低成本，高性能LiDAR， 功能包解决了许多关键问题，特征提取和在有限FOV下提取，强大的异常值排除，运动物体过滤，运动失真补偿。此集成了其他功能，例如可并行流程，使用单元和地图的点云管理，循环闭合，用于地图保存和重新加载的实用程序等。

开源代码：https://github.com/hku-mars/loam_livox

LEGO-LOAM

LeGO-LOAM是一个轻量级的在低功耗嵌入式系统中可以实现实时姿态估计的激光slam算法。该算法是一种基于地面的slam优化算法，因为它在分割和优化步骤中利用了地面位置。首先通过点云分割滤除噪声，然后通过特征提取得到独特的平面和边缘特征。然后，第二步采用Levenberg-Marquardt优化方法，使用平面和边缘特征来解算连续扫描的激光数据，计算当前的6DOF。我们的算法与当前表现SOTA的算法进行比较，例如LOAM等，结果表明，Lego-LOAM在减少计算开销的情况下可以达到相似或更好的精度。

开源代码：https://github.com/irapkaist/SC-LeGO-LOAM

SC-LEGO-LOAM

SC-LeGO-LOAM是在LeGO-LOAM的基础上新增了基于Scan context的回环检测，在回环检测的速度上相较于LeGO-LOAM有了一定的提升。

开源代码：https://github.com/irapkaist/SC-LeGO-LOAM

F_LOAM

在本文提出了一个通用的解决方案，旨在为基于激光雷达的SLAM提供一个计算效率高、精度高的框架。具体来说，我们采用了一种非迭代的两级失真补偿方法来降低计算量。对于每个扫描输入，提取边缘和平面特征，分别匹配到局部边缘图和局部平面图，并考虑局部平滑度进行迭代姿态优化。通过深入的实验评估了其在具有挑战性的场景中的性能，包括仓库自动导引车（AGV）的定位和自动驾驶的公共数据集。该方法在公共数据集评估中以10hz以上的处理率获得了很好的定位精度，为实际应用提供了性能和计算成本之间的良好折衷。该方法目前是KITTI数据集排名中最准确、最快的开源SLAM系统之一。

开源代码：https://github.com/wh200720041/floam

M-LOAM

M-LOAM是一个用于多激光雷达外参标定、实时里程计和地图绘制的鲁棒系统，无需人工干预，该系统可以从几个未校准的激光雷达开始，自动校准它们的外参，并提供精确的姿态以及全局一致的点云地图。

开源代码：https://github.com/gogojjh/M-LOAM

Ｖ-LOAM

V-LOAM发表在2015年的ICRA上，是一篇经典的视觉激光融合的SLAM系统框架，但是作者未开源代码。本文提出了一个视觉激光融合的框架，提升了系统在缺乏视觉特征和在有挑战的运动情况下的鲁棒性。这个方法利用视觉里程计估计机器的运动，高速率低精度的对准点云。然后基于激光雷达的scan-match来优化运动估和点云对，在KITTI的01序列达到了0.75%的位置漂移，系统在高速运动和照明变化的场景中也有很高的鲁棒性。