激光slam_激光SLAM | CPFG-SLAM：野外大场景鲁棒SLAM

论文题目：CPFG-SLAM:a robust Simultaneous Localization and Mapping based on LIDAR in off-road environment

聊一篇论文，就是聊问题从哪里来？原因是什么？思路从哪里来？做了哪些改进？

这篇论文所要解决的问题是室外大场景SLAM问题，野外的特点是场景略微空旷，周围特征不规则，如果大家测试过其他SLAM算法应该就知道，LOAM在这种场景下会因为特征缺少而出现退化现象。那么就需要使用ICP这样的方法，或者它使用了面特征的改进版本，但是ICP由于需要搜索最近邻做优化，消耗了大量计算量，实时性不好，而NDT虽然效率比ICP高，但是没考虑特征。所以可不可以结合他们的优点，做一种新的算法呢？这就是本论文的出发点。

ICP提取面特征，在匹配是找最近邻，NDT是计算点的正太分布特性，进行匹配，那结合他们二者的思路就是提取特征，然后对特征进行概率分布计算，随后进行匹配。这就是本文的基本思路，公式其实就和NDT公式非常类似，不往这里贴了。

然后看作者在结合二者的同时又做了哪些改进。一共有两方面：

1.除了面特征，还提取了线特征

提取的方法也很简单，之前我们在介绍基于直方图的闭环策略时已经提到过，就是对点集计算方差矩阵，然后提取其特征值

当有两个主要特征值时就是面，当有一个主要特征值时就是线

2.除了单帧以外，还从拼接的多帧提取特征

由于单帧点云是稀疏的，我们如果一直从单帧点云中提取特征，那可能永远只能得到比较少的特征，而如果这一帧虽然没有特征时，把点存着，等下一帧到来时，按照位姿拼在一起，再进行特征提取，是不是就好了一些呢，如果还不行，就接着拼接。这一过程，作者在论文中给了图示

以上就是作者的“1个基本思路+2个改进点”。

下面看看效果吧，在野外进行测试，测试场景是这样的

和其他各种算法的位置误差做了对比，如下，从数据上看效果还是挺好的

然后给出各算法轨迹对比图

可以看出效果和数据基本一致。

另外说明的是，像loam这种在kitti数据集上长期霸榜的算法，在各种论文里却总被吊打，原因是什么，有以下两点：

1）loam作者开源的算法是一个基础版，自己打榜的算法做了很多改进，但没开源

2）kitti数据集的环境对loam还算是比较友好的，在一些特殊环境，loam确实会因为特征确实出现退化现象，而一些不基于特征的方法则可行，所以很多人为了展现自己算法的优势，就挑一些这种环境进行对比。就想上面这张图，loam轨迹就跑飞了。