Loam-livox

A fast robust high-precision LiDAR odometry and mapping package for LiDARs of small FoV

1 Introduction

相比于传统的机械旋转式Lidar, mems振镜固态式Lidar价格相对低廉, 为Lidar的大规模拓展应用提供更多可能性，成为一大风口.

固态Lidar特点：
1 Small FoV：小视角特征较少易出现退化现象，且易受到动态物体的影响
2 Irregular scanning pattern：不规则扫描不利于特征提取, 无法直观有效地获取点间的近邻关系
3 Non-repetitive scanning：即使Lidar处于静止状态, 相邻两帧点云也是不同的
4 Motion blur：同旋转式Lidar, 连续扫描使得帧内数据获取时间不严格一致

本文在LOAM的基础上进行拓展，研究内容包括特征提取, 运动补偿, 误关联剔除, 动态物体剔除

2 Methods

2.1 Points selection and feature extraction

在进行特征提取前, 先筛选剔除以下几类点：视场边缘的点, 反射强度过大或过小的点, 与局部平面夹角近似0°或180°的点 (这里的局部平面怎么得到的呢?), 被遮挡的点 (怎么优雅地遍历呢?).

特征提取的方法延用LOAM (不规则的扫描方式, 怎么查找点间的近邻关系呢?), 同时考虑反射强度信息, 与近邻点的强度值差别较大的点亦定义为角点.

2.2 Iterative pose optimization

延用LOAM中点到线和点到面的数据关联方式. 论文中使用的edge-to-edge和plane-to-plane的说法是不严谨的.

运动补偿的方法包括piecewise processing和linear interpolation两种. 其中piecewise processing是指将一帧点云按照扫描顺序分为三个sub-frames, 分别独立地对三个sub-frames进行帧与地图的匹配, sub-frames的匹配在并行的三个线程中独立处理 (值得借鉴), 并且试验中证明这种运动补偿的方式更优.

误匹配和动态物体的剔除在优化求解中统一处理. 迭代优化求解时，在迭代两遍后，然后剔除误差较大的20%的关联，然后再接着迭代优化 (机智啊!).

3 Results

建的图好看就完事了~

4 Ponder

a) 特征提取模块的代码实现细节?
b) Piecewise processing中三个独立的子线程如何实现?
c) 误匹配和动态物体的剔除技巧值得借鉴呀!

5 More

Paper：链接
Code：链接
Sensor：连接