LOAM, ALOAM, LegoLOAM, hdl graph slam比较
LOAM
LOAM:
- LOAM使用了作者定义的特征点提取和匹配方法，主要去边角点和平面点。LOAM use a new defined feature system (corner and flat point), for the detail see its article.
- LOAM假设每一次激光扫描过程中是匀速运动，并且用这个假设修正激光雷达数据的运动扭曲问题。在VLOAM中则是更进一步，使用视觉的里程计估计每一个扫描数据的运动。LOAM suppose linear motion within the scan swap (VLOAM further uses visual odometry to estimate it), and undistort the lidar points.
- LOAM也有一个低频率调用的全局优化线程。
A-LOAM
ALOAM github page
另外，下面的算法都使用hdl_graph_slam给到的室外数据集做了结果的测试，建模的图像如下所示。由于没有找到轨迹的真实值，没有对轨迹误差做比较分析。
LOAM和ALOAM的区别（Difference LOAM vs A-LOAM）:
- LOAM中提供了使用IMU信息修正的接口， ALOAM中省略了这一块。LOAM has IMU refinement.
- ALOAM中缺少了对提取到的特征点的筛选过程，具体可以参见LOAM的代码部分（对一些不好的边角点做了筛选）。Lack feature filter in A-LOAM.
- LOAM中的优化LM方法是作者自己编写的，ALOAM则是使用了Ceres库完成这一部分。LOAM implies the LM solver itself. A-LOAM uses Ceres solver.
- 补充上面的一点，LOAM中作者解析地求出了雅各比的表达式（其中使用了一些小技巧统一了不同特征点的残差函数的导数表达），ALOAM则是简单地使用了ceres提供的自动求导工具（这样可以节省开发的时间，得到了也是准确的解，但是运算时间会稍稍长些，具体可以参见ceres的官方文档）。LOAM use analytical derivatives for Jacobians, but A-LOAM uses the automatic derivatives offered by Ceres (which is exact solution but a little bit slower).
- 相比于原本的LOAM， ALOAM的可读性更高，非常适合学习。尤其是雅各比的部分，LOAM原本的雅各比推导非常的难理解。ALOAM直接用自动求导，整个SLAM最复杂的运算就不需要推导了！
Performance:
• A-LOAM seems good,less redundant points.
• but has more error in far edges.
• LOAM method has no assumption of a consistent “floor”, that is better for our case.
• A-LOAM has the same logical with LOAM, but its performance is much worse. 
下面是对ALOAM的三个线程的运行时间的分析（以下的运行测试都是再i5 9300 cpu上进行的），分别是scan registration线程，odometry线程，和mapping线程。其中mapping是进行全局优化的线程，另外两个线程则和实时性息息相关。
- ALOAM - scan refistration
the maximum time is : 0.034434
the mean of time is : 0.0148146394612 - ALOAM - odometry
the maximum time is : 0.027296
the mean of time is : 0.0157431030928 - ALOAM - mapping
the maximum time is : 0.326849
the mean of time is : 0.257764385093
For one input scan, it takes 0.0305s in average. 对于一个新的扫描帧，需要大概0.03秒的处理时间，另外低频优化每次的耗时大概0.25秒（并不影响实时性）。
LEGO LOAM
lego LOAM
vs LOAM:
- Lego LOAM针对处理运算量做了优化，它的运算速度增加，同时并没有牺牲精度。Faster and similar accuracy as LOAM, and has a better global map visual effect.
Difference LOAM:
- LogoLOAM 增加了更多预处理的步骤，其中主要包括一个地面的提取（并没有假设地面是平面），和一个点云的分割。使用更多筛选之后的点云再提取特征点，效率会更高。Add segmentation before processing (gound extraction and image-based segmentation)
- 在提取特征点时，将点云分成小块，分别提取特征点，以保证特征点的均匀分布。Sub-divide the range image before feature extraction → more evenly distributed features.
- 再特征点匹配的时候，使用预处理得到的segmenation标签筛选，又提高了效率。Label match
- 一个双步骤的LM优化，先使用平面点优化高度，同时利用地面的方向优化两个角度信息；再使用边角点优化剩下的三个变量。以这种方式分别优化，效率提升40%，但是并没有造成精度的损失（根据原文章所述）。Two step LM. Seperate the optimization based on different property of edge and planar points. Becomes faster while similar accuracy.
- 不用的地图点存储方式。LOAM中将所有历史的点云存储到同一张点云图中，并做了grid sampling。Lego LOAM则是分别存储每一帧的特征点信息和每一帧的位姿数据。这样提供了两种全局优化方式，一种是仿照LOAM的方法；另一种是可以使用图优化理论。Difference map storage method, can use pose graph optimization and use loop closure.
另外LeGO LOAM需要对激光设备的标定。应该是在预处理中，使用了将激光数据转化为range image的步骤中需要这些数据，只有正确的设定才能正确执行算法。
在源代码中对Velodyne的一些设备都有完整的参数设置，但是对速腾（rslidar）并没有设置好，需要自己完成这方面的工作，才能使用速腾的设备运行算法。虽然话是这么说。。我之前也问题这个遇到过问题。但是我发现就用源代码提供的velodyne的参数就可以顺利运行了。
对我来说，在这个室外场景的数据，我觉得LeGO LOAM是本文列举的几个算法中最好的。 它可以高速运行，有较高的精度，同时相比于LOAM可以加入回环优化。
但是，在室内运行发现，LeGO LOAM很容易丢失误匹配，但是LOAM就好很多，即使有相对大的运动也能够正确的处理。
Performance:
• lego slam has the best result, error is small.
• Flat plane has good look, achieve a dense map, while keep its consistence.
下面是LeGO LOAM的三个主要线程的处理时间的分布曲线。分别是image projection线程（将扫描帧投影到二维矩阵，并做一系列的预处理），feature association线程（与LOAM大概一致，特征点的提取和匹配），以及map optimization线程（低频激发的全局优化线程）。
- LEGO LOAM - image projection
the maximum time is : 0.029819
the mean of time is : 0.0123906096595 - LEGO LOAM - feature association
the maximum time is : 1.226773
the mean of time is : 0.0126770831335 - LEGO LOAM - map optimization
the maximum time is : 0.427468
the mean of time is : 0.30585172524
For one input scan, it takes 0.0249s in average. It is about 25% faster than ALOAM. 对于每一个输入的扫描帧，处理时间大约是0.025秒，相对于ALOAM快了25%左右。另外由于在LeGO LOAM中使用了另外的地图结构和优化方式（也加入了回环优化），所以map optimization的处理时间稍长一些，大概是0.3秒一次。
HDL GRAPH SLAM
hdl graph slam
hdl_graph_slam:
- 它是一个简单的图优化模型。 It is basically a graph optimization algorithm.
- 它提供了ICP为基础的和NDT为基础的一系列点云标配方法。Use ICP-based or NDT-based methods to register new point cloud, and match candidates of loop closure.
- 它假设有一个共享的地面，但是假设了地面是一个平面，这个假设可能过于强了，限制了算法的鲁棒性。
- 在全局图优化的步骤，只是使用了相邻两帧的相对位姿和每一帧检测到的地面信息。其实使用的信息很少，图优化的结构也十分简单。For the graph optimization part, it use the most sample edge for consecutive frames, along with the floor observation edge.
- 它提供了回环优化的模块，但是回环比较粗糙。简单来说，就是在当前帧地附近搜索历史地每一帧，分别标配得到可能的回环，再进行优化。
- 总的来说，它提出了使用图优化来处理激光SLAM，这是很好的想法。In summary, it uses the most basic algorithms, however it has a complete structure.
Performance:
• not that much error for the far points, as it has loop closure
• lots of redundant points as it has no optimization on point cloud, floors and walls are very thick in the global map.
HDL graph slam有四个主要线程，对于点云的预处理降采样prefiltering线程，floor detection线程（检测一个共有的平面作为地面），odometry线程（在测试中使用的是使用openmp加速的NDT算法），和graph optimization线程（优化包括：相邻帧的约束，回环约束，和每一帧检测到的地面约束）。
- HDL - prefiltering
the maximum time is : 0.395365
the mean of time is : 0.00943357786885 - HDL - floor detection
the maximum time is : 0.856617
the mean of time is : 0.0456638586777 - HDL - odometry
the maximum time is : 0.309964
the mean of time is : 0.0742533234078 - HDL - graph slam
the maximum time is : 2.140327
the mean of time is : 0.13695704878
Its processing time is much more than the other two methods, as it use NDT, while the other use feature points. 相比于上面的LOAM为基础的特征点标配方法，使用NDT（openmp加速过的NDT）仍然慢了很多，NDT大概需要0.07秒/帧。在全局优化的线程中，由于约束只是简单的相对位姿（帧与帧的相对位姿和帧与地面的相对位姿）所以graph optimization线程速度很快，只需要LOAM衍生算法的一半左右的时间。
LOAM, ALOAM, LegoLOAM, hdl graph slam比较相关推荐
- LOAM、LEGO-LOAM与LIO-SAM的知识总结
文章目录 LOAM.LEGO-LOAM与LIO-SAM的知识总结 1.概要 2.传感器信息读取 3.数据的预处理 4.激光雷达里程计 4.1特征点提取 4.2特征点关联匹配 4.2.1 标签匹配 4. ...
- 彻底搞懂基于LOAM框架的3D激光SLAM全套学习资料汇总！
地图定位算法是自动驾驶模块的核心,而激光SLAM则是地图定位算法的关键技术,其重要性不言而喻,在许多AI产品中应用非常多(包括但不限于自动驾驶.移动机器人.扫地机等).相比于传统的视觉传感器,激光传感 ...
- graph slam tutorial : 从推导到应用1
前言 SLAM问题的处理方法主要分为滤波和图优化两类.滤波的方法中常见的是扩展卡尔曼滤波.粒子滤波.信息滤波等,熟悉滤波思想的同学应该容易知道这类SLAM问题是递增的.实时的处理数据并矫正机器人位姿. ...
- LOAM系列——LeGO-LOAM配置、安装、问题解决及VLP16测试效果（完结版）
LOAM系列--LeGO-LOAM配置.安装.问题解决及VLP16测试效果 安装依赖 安装 VLP16 bag测试 问题解决 问题1 解决1 安装依赖 ros gtsam wget -O ~/Down ...
- graph slam tutorial ：从推导到应用3
为了更好地理解graph based slam的过程,本文以二维平面的激光SLAM为例子,先简单介绍如何根据传感器信息构建图,即图优化的前端(front-end).然后再针对上篇博客的疑问,结合mat ...
- graph slam tutorial ：从推导到应用２
在上一部分中通过一个例子大致了解了graph based slam的优化过程.在本篇博客中将提升一个层次,对图优化的求解过程进行推导.由于博文关注的在图构建好以后,如何调整机器人位姿使误差最下.因此, ...
- Efficient Dense Frontier Detection for 2D Graph SLAM Based on Occupancy Grid Submaps
基于占用栅格子图的2D 图-SLAM 的密集边界高效检测 摘要 介绍 相关工作 准备工作 边界检测 边界检测算法 算法1:子图更新事件的处理 算法2:姿态图优化事件的处理 摘要 边界是世界地图上已探索 ...
- 八种常用激光雷达和视觉SLAM算法的评估与比较
文章:Evaluation and comparison of eight popular Lidar and Visual SLAM algorithms 作者:Bharath Garigipati ...
- [SLAM]激光SLAM初学者代码及论文推荐【转】
目录 2D激光SLAM Gmapping Hector_slam Karto Cartographer 3D激光SLAM LOAM A-LOAM LeGO-LOAM Lio-mapping hdl_g ...
最新文章
- 灰度值取值范围_灰度实战（二）:Apollo配置中心（2）
- 《HTML5游戏编程核心技术与实战》一2.6 其他全局属性
- csgo准星设置代码_csgo控制台的这些神秘的指令你知道多少
- powerbuilder判断复选框是否选中_如何判断基金经理投资风格呢？方法仅供参考
- 基于线性预测的语音编码原理解析
- unity3d 截屏
- Angular和SAP C4C的事件处理队列 1
- Dynagen0.11+Pemuwrapper入手麻烦二三事——告诉初学者直路
- 永远要跟比你更成功的人在一起
- vue开发一个实用美观的轮播图组件
- 无线Wifi模块AP和STA工作模式详解
- 移动端布局,C3新增属性
- Spring 通过XML配置装配Bean
- 卡巴斯基的离线更新以及病毒库备份
- arm linux logrotate,交叉编译zlog日志工具：zlog+cronolog+crontab+logrotate
- python牛顿迭代公式_牛顿迭代法Python实现
- 阿里双十一 11 年：购物狂欢背后的技术演进
- html右边显示不全,显示器右边显示不全怎么办
- 咳血的独角兽丨互联网的幕后攻防
- python实现商品管理系统_商品管理系统(示例代码)