加上回环优化版本 SC-DLO: 给DLO这个高精度轻量级的纯激光里程计 Odometry 加上连续激光因子和回环因子, 回环检测的方法采用的Scan Context, 后端优化使用GTSAM 4.0.3, 代码框架基本沿用SC-A-LOAM的框架. 论文分享笔记 LO整体框架: 两阶段GICP: scan-to-scan的粗配准; scan-to-map的精配准; GICP并不是这篇文...
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...
LIO-SAM实际上是LeGO-LOAM的扩展版本,添加了IMU预积分因子和GPS因子,去除了帧帧匹配部分。 论文认为loam系列文章存在一些问题:将其数据保存在全局体素地图中,难以执行闭环检测;没有结合其他绝对测量(GPS,指南针等);当该体素地图变得密集时,在线优化过程的效率降低。 ...
A-LOAM相较于LOAM而言舍去了IMU对信息修正的接口,同时A-LOAM使用了Ceres库完成了LM优化和雅克比矩阵的正逆解。A-LOAM可读性更高,便于上手。简而言之,A-LOAM就是LOAM的清晰简化,版本。 A-LOAM的代码清晰度确实很高,整理的非常简洁,主要是使用了Ceres函数库代替了张继手推的ICP优化求解部分(用Ceres的自动求导,代替...
论文认为loam系列文章存在一些问题:将其数据保存在全局体素地图中,难以执行闭环检测;没有结合其他绝对测量(GPS,指南针等);当该体素地图变得密集时,在线优化过程的效率降低。为此作者决定使用因子图的思想优化激光SLAM,引入四种因子:IMU预积分因子;激光雷达里程因子;GPS因子;闭环因子。下面是文章中主要的贡献点。
LOAM LOAM作为该系列的鼻祖,在前几年kitti数据集中常年霸占榜首,文中的作者所写的代码由于可读性不高,所以有很多人对代码进行了重构。 论文中作者目标是使用一个三维空间中运动的多线激光雷达来实现激光里程计+建图的功能。为了可以同时获得低漂移和低复杂度,并且不需要高精度的测距和惯性测量。本文的核心思想是将...