深蓝学院-多传感器融合定位课程-第3章-3D激光里程计II

专栏文章:

深蓝学院-多传感器融合定位课程-第1章-概述_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第2章-3D激光里程计I_goldqiu的博客-CSDN博客

github保存了相关代码和学习笔记：

https://github.com/goldqiu/Shenlan-Course-Multi-Sensor-Fusion-for-Localization-Mapping/tree/main/%E7%AC%AC3%E7%AB%A0%EF%BC%9A3D%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A1II

第3章：3D激光里程计II

课程内容

代码、PPT、视频见文件夹

课程笔记

本质：拿特征做里程计的推算。

参考github：

https://github.com/AlexGeControl/Sensor-Fusion-for-Localization-Courseware

https://github.com/kahowang/sensor-fusion-for-localization-and-mapping

点线面几何基础：

点云线面特征提取:

参考文献：LOAM: Lidar Odometry and Mapping in Real-time Ji Zhang and Sanjiv Singh

推荐博客：https://blog.csdn.net/robinvista/article/details/104379087

在第k+1帧中找到一个线特征点（曲率最大），转换到k帧坐标系下（根据运动模型或者其他传感器猜测得到），然后在第k帧中找与k+1帧中特征点最近的一个点，然后再找相邻的一个点，组成一条线，那么第k+1帧的点到第k帧的线就有了，可以构建优化问题了。

面特征也一样，先在第k帧搜索离第k+1帧面点（曲率最小）最近的一个点，然后在第k帧是找同根线的一个点和相邻线的一个点，三点构建平面，然后构建点面残差方差，进行优化求解。

整个优化问题的核心是求得残差关于待求变量的雅可比矩阵。

基于线面特征的位姿优化

位姿优化代码实现

ceres 基础知识

自动求导与解析求导的对比

• 自动求导实现方便，但效率会比解析求导低 (比较 A-LOAM 和 F-LOAM )；

• 实际使用中，能够自动求导且效率没有形成障碍的，优先使用自动求导；

• 除这两种方法外，还有数值求导（SLAM问题中不常见，不过多介绍）

自动求导实现位姿优化(A-LOAM)

解析求导实现位姿优化(F-LOAM)

相关开源里程计

基于特征的里程计实现流程

只做帧间匹配的后果：

1. 雷达角分辨率不够、频率低，导致下一帧没有特征关联。
2. 精度也不够，两帧之间的关联特征很少，优化的精度不够。

A-LOAM主要特点 1) 去掉了和IMU相关的部分 2) 使用Eigen（四元数）做位姿转换，简化了代码 3) 使用ceres做迭代优化，简化了代码，但降低了效率 代码：https://github.com/HKUST-Aerial-Robotics/A-LOAM

F-LOAM主要特点 1) 整体和ALOAM类似，只是使用残差函数的雅可比使用的是解析式求导 代码：https://github.com/wh200720041/floam

原始loam是没有帧的概念的，帧和地图做匹配，地图已经是无序的点云了，是做线和平面拟合来构建残差。没有保存每个关键帧的位姿和点云，进行后端优化后的调整，这是比较不足的。

作业

代码和文档见文件夹。

注：

由于 make_unique 是c++ 14的新特性，需要在CMakelists.txt 中添加c++14 的编译指向：

在CMakelists.txt 添加

set(CMAKE_CXX_STANDARD 14)

参考博客：

slam中ceres的常见用法总结

Ceres详解（一） Problem类

Ceres详解（二） CostFunction

Ceres（二）LocalParameterization参数化

优化库——ceres（二）深入探索ceres::Problem

[ceres-solver] From QuaternionParameterization to LocalParameterization

基于线面特征的激光里程计

实验室实车实现

代码和文档见文件夹。