SC-A-LOAM：在A-LOAM中加入回环检测
Thanks to LOAM, A-LOAM, and LIO-SAM code authors. The major codes in this repository are borrowed from their efforts.
代码：https://github.com/gisbi-kim/SC-A-LOAM
编译：点云PCL
本文仅做学术分享，如有侵权，请联系删除。
本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。
摘要
该开源库是在A-LOAM的基础上在增加了回环检测和位姿图优化模块（名为SC-PGO）
该库也在FAST-LIO2激光里程计中集成了。其代码位于 ：
https://github.com/gisbi-kim/SC-A-LOAM
https://github.com/gisbi-kim/FAST_LIO_SLAM
主要内容及贡献
实时激光雷达SLAM集成了A-LOAM和ScanContext。
- A-LOAM用于里程计模块（即连续运动估计）
- ScanContext用于处理大漂移的粗略全局定位（即无初始姿势的机器人位置识别问题）
- 并将GTSAM的iSAM2用于位姿图优化。
此库旨在展示ScanContext的便捷适用性。
- 用户应该做的唯一事情就是包括Scancontext.h调用makeAndSaveScancontextAndKeys 和 detectLoopClosureID。
SC-A-LOAM特点
- 鲁棒的位置识别和回环闭合：将ScanContext作为回环检测器集成到A-LOAM中，然后进行基于ISAM2的姿势图优化。
- 模块化实现：与A-LOAM的唯一区别是添加了laserPosegraphOptimization.cpp文件,在新文件中，订阅了点云topic和里程计topic（订阅了从laserMapping.cpp发布的A-LOAM的结果）。也就是说，实现了对于任何前端里程计方法都是通用的，因此，我们的姿势图优化模块（即laserPosegraphOptimization.cpp）可以轻松地与任何里程计算法集成，如甚至非LOAM系列或甚至其他传感器（例如视觉里程计）。
- 使用消费级GPS进行高度值稳定：为了使结果更加可信，模块支持基于GPS（消费者级价格，如U-Blox EVK-7P）的高度值稳定，众所周知，LOAM系列方法在室外易受z轴值误差的影响，这里仅对高度值使用稳健损失，有关详细信息，可参考laserPosegraphOptimization.cpp文件。
依赖
主要依赖ROS、Ceres（用于A-LOAM）和GTSAM（用于姿势图优化）。
实验
MulRan数据集
提供了激光雷达扫描点云（ Ouster OS1-64，水平安装，10Hz）和消费者级gps（U-Blox EVK-7P，4Hz）数据。
KITTI (HDL-64 获取点云数据)
室内场景
数据保存和地图构建
支持每个关键帧的位姿和扫描点云数据的保存，使用这些保存的数据，可以离线构建地图（在ROI内）。请参阅utils/python/makeMergedMap.py和对应教程。下面是MulRan数据集KAIST 03的合并地图的示例结果，使用CloudCompare可视化结果。
总结
A-LOAM的基础上在增加了回环检测和位姿图优化模块。也是LOAM系列SLAM方案的扩展和优化。