LeGO-LOAM论文阅读:相比于LOAM差别在哪里?

LeGO-LOAM可以看成是LOAM的升级版,在LOAM的基础上做了不少的改进,大概有以下几点:

  1. 特征提取
    1. 增加了地面分割和点云聚类
    2. 在地面点上提取平面点,在非地面点上提取角点
  2. lidarOdometry
    1. 角点只在当前点的前一帧对应聚类中寻找,面点只在当前点对应的前一帧地面点中找,减少了候选点的个数
    2. 使用了两次L-M优化,先匹配面点获得[t_z, θ_roll, θ_pitch],再利用获得的上述变量作为约束加上角点的匹配获得剩余的变量[t_x, t_y, θ_yaw]
  3. lidarMapping
    1. 更改了Map的存储方式,利用特征点集合的方式存储地图
    2. 作scan to map的匹配时,不再对整个地图作匹配,选取一个surround map作为 map来与当前帧匹配,LOAM也有sourround map不过 LeGO得益于Map的存储方式,可以更快速的得到surround map
    3. 增加了位姿图,并利用iSAM2进行回环检测(论文中只有再KITTI数据上实验才使用了回环检测)

差别对比

框架

LOAM

LeGO-LOAM论文阅读:相比于LOAM差别在哪里?_第1张图片

LeGO-LOAM论文阅读:相比于LOAM差别在哪里?_第2张图片

特征点

LeGO-LOAM论文阅读:相比于LOAM差别在哪里?_第3张图片

LOAM(上) && LeGO-LOAM(下)

LeGO-LOAM论文阅读:相比于LOAM差别在哪里?_第4张图片

你可能感兴趣的:(论文阅读,算法,聚类,机器学习)