LIO-SAM论文重点总结

LIO-SAM实际为LeGO-LOAM的扩展版本，添加了IMU预积分因子和GPS因子，去除了帧帧匹配部分

摘要：

IMU预积分校准点云，为激光雷达里程计优化提供初值。激光雷达里程计用于估计IMU的偏差。采用局部匹配代替全局匹配，采用关键帧和滑动窗口的方法，将新的关键帧输入到固定窗口的先验“子关键帧”提高系统的实时性。

主要贡献：

1. 建立在因子图上的紧密耦合的激光雷达惯性里程计，适合多传感器融合和全局优化
2. 一种高效、基于局部滑动窗口的扫描匹配方法，有选择的将新关键帧注册到固定大小的先验子关键集来实现实时性能

传感器的融合方式主要分成两类：

松耦合：IMU对激光雷达扫描帧进行去畸变，给出扫描匹配方法的运动先验值。IMU不参与算法的优化过程。Loam、lego-loam都是。另一种为使用扩展卡尔曼滤波器实现松耦合，在机器人状态估计的优化阶段，使用EKF整合雷达 IMU GPS的测量值。

紧耦合：IMU预积分来去畸变；使用误差状态卡尔曼滤波器递归修正机器人的状态估计；联合优化激光雷达和IMU的测量值

状态估计问题可以表示为最大后验问题，使用一个因子图建模，求解非线性最小二乘问题，在不失通用性的情况下，所提出的系统还可以包含其他传感器的测量。因子图的构成：IMU预积分因子；激光里程计因子；GPS因子；环路闭合因子；

因子图在插入新节点时使用贝叶斯树（isam2）的增量平滑和建图进行优化。

IMU预积分因子：除提高效率外，imu预积分也为因子图提供了一种约束类型，IMU偏差与激光雷达里程计一起优化

激光里程计因子：

特征提取与loam相同

关键帧选择：

激光雷达里程计因子的生成步骤如下：

实现一个滑动窗口的方法来创建一个包含固定数量的最近激光雷达扫描的点云地图，不优化两个连续的激光雷达扫描之间的转换，提取n个最近的关键帧，称子关键帧。把关键帧集合转化到世界坐标系中合并为一个体素模型，有边缘和平面两个亚体素模型构成。

然后计算点线 点面之间的距离与loam相似

GPS因子：

接受GPS测量值，转化到局部笛卡尔坐标系中，将新节点添加到因子图中，然后将测量值与新节点关联，如果GPS与激光关键帧不同步，根据激光雷达帧的时间戳对GPS测量值进行插值。不需要不断增加GPS因子，激光里程计的漂移增长非常缓慢，在实际应用中，我们只在估计的GPS位置协方差大于接收到的GPS位置协方差时添加一个GPS因子。

闭环因子：

和lego-loam一样使用的欧式距离的闭环检测。闭环系数对于校正机器人高度的漂移特别有用，因为GPS的高程测量不准确。