研究生SLAM论文阅读汇总（二）

一、 前言

  这是一个魔幻的博客，我不是来解决问题的，只是觉得这些论文可能对想idea比较有帮助，也是写一点发布一点吧。

1、 A Fast and Accurate Plane Detection Algorithm for Large Noisy Point Clouds Using Filtered Normals and Voxel Growing

  一篇纯理论的文章，做平面检测，不知道有没有用

2、 A Technical Survey and Evaluation of Traditional Point Cloud Clustering Methods for LiDAR Panoptic Segmentation

  对三维雷达点云进行聚类，把基于深度学习的方法和基于传统几何方式的聚类方法结合在一起,已开源。

3、An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency

4、LSD: A Fast Line Segment Detector with a False Detection Control

  第四篇我在自己工作中也用到了，但是我也不是做cv和视觉SLAM的。第三篇应该也是一种提取线特征的方法吧。不知道第三篇有没有开源，反正LSD开源了，并且如果需要移植的话，LSD和一个叫PL_vins的工作都开源了。目前有些问题就是这个提取线的代码接收的灰度图，转换过程中会有精度损失，并且怎么进行深度恢复我也不知道。。。

5、 DIMENSIONALITY BASED SCALE SELECTION IN 3D LIDAR POINT CLOUDS

  这篇文章也是有点意思的，但是也算是看的一知半解吧，我就知道这个东西用在雷达里程计里面是用自己的方法对pca分解得到的三个特征值进行一个处理然后去判断是属于线还是面还是objecct。好像这个里面还对pcl::KdTreeFLANN里面的radiusSearch的半径大小选择进行了分析。

6、 Fast and Accurate Computation of Surface Normals from Range Images

  这篇文章也是在suma、imls这种文章的参考文献下找到的，文章是icra的，但是一开始没用在雷达SLAM上，像这种把三维点云投影到二维上的方法一出来之后就会用到这种方法，特点就是快，怎么根据一幅深度图算出来每个像素点处的法向量。
  那这种基于图像的平面检测优点就是不用kdtree吗，直接找像素点周围就行了，然后找到candidates之后pca不就行了吗？看了一下论文，好像工作重点在找到点之后怎么去快速的确定这些点是否符合平面方程并找到法向量。11年的工作了，如果是个好工作应该已经被用烂了吧，不过想法还是有点意思的。

7、 Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering

这篇论文用AHC层次聚类对面进行聚类，找到各个平面。