论文名称：Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV

开源代码：github.com/hku-mars/loa

一、整体概述

做激光slam的应该都知道loam，原版loam是基于机械雷达的，当我们使用固态雷达的时候，loam则不兼容了。这篇论文就是为了解决这个问题，固态雷达的主要问题是视角比较小，原版loam提取特征则不容易得到高精度里程计，需要提高鲁棒性，为了解决这些问题，作者从以下几个大的方面入手：

1. 首先设计了基于固态雷达的特征提取和里程解算流程

2. 为了增加鲁棒性，设计了一些策略，移除了不好的特征点，并且增加反射强度作为判断条件

3. 补畸变

4. 对于一些outliers的特征做了剔除

二、算法介绍

1. 算法流程

像loam一样，本论文方法也是提取线特征和面特征，然后根据前后两帧特征对应做优化，以解算得到位姿，仍然分为高频率的里程计和低频率的建图。

也就是说整体的算法流程和原版loam是一致的，而且整个特征提取方法和残差优化公式和原版loam也是一样的，就不在这里一一列出了。

既然都和原版loam一样，那这个算法做了哪些自己的工作呢，这就是下面我们要说的问题了

2. 提取"good points"

所谓提取good points，其实就是滤除bad points，那什么样的是bad points呢？主要包括以下几种

1）接近视角边缘的点

接近视角边缘的点会有一部分变形，会影响特征提取精度

2）反射强度过大或过小的点

作者给出的解释是反射强度过大，会对雷达硬件的信号接收电路产生冲击，从而影响这个点的精度，而反射强度过小的点，信噪比会低

3）和平面夹角过小的点

雷达光束和面特征会有一个夹角，而当夹角过小，即光束和平面接近平行时，这样的特征就不利于匹配，如下图所示，点f就属于这种情况。（这个技巧在原版loam里其实就有）

4）部分被遮挡的点

在上图中，相邻的两个光束d和e确在不同的面上，这说明e所在的面是被遮挡的，这样的不能要，因为当雷达移动的时候，被遮挡的这个面可能在下一帧中就消失了。（这个技巧原版loam里也有）

3. 补畸变

补畸变是一个在使用雷达时必须做的事情，但是它又是一个很简单的活，不要被哪些公式吓到，补了运动带来的平移和旋转就完事了。资料在网上有很多，代码在loam里也写得很详细，不在这里多说了。

4. 剔除异常特征

所谓异常特征就是在这一帧里和在下一帧里，按照解算的位姿投影以后，仍然对应的不是很好的特征。最常见的原因就是特征在一个移动的物体上，之前测试的时候就发现会把人当成线特征。

这里的做法就是先用一部分特征计算出一个位姿，然后按照位姿投影到上一帧，把投影之后残差比较大的特征就去掉，作者是按照残差排序，去掉了其中20%的特征。然后用剩下的特征再做一次优化，这样就可以防止没对应好的特征对优化结果造成的影响。

这是一个好主意

三、实验结果

作者从位移和姿态两个方面分别对精度进行了评价。

位移评价的方法是以gps为基准，分别使用激光里程计和gps测量起点和终点的距离（如下图所示），使用两组数据测量的结果分别是0.41% 和 0.65%，在激光里程计里算是很高的精度了，大家看kitti里面odometry榜单上的那些里程计指标就明白了。当然kitti那个是机械雷达，这个是固态雷达，可能会造成一些区别。

角度评价是以一个运动测量系统做基准，对欧拉角进行比较，曲线如下图。欧拉角平均误差是1.1°

最后给个效果图吧，看效果还不错