激光SLAM论文R3LIVE和LIO-SAM阅读

R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state

Estimation and mapping package

要解决的问题：在状态估计方面具有更高的鲁棒性和精度；两个子系统构建集合结构3D点云的位置以及渲染地图的纹理；

采用的方法：包含两个子系统：LIO提供构建的几何结构3D点云的位置；VIO使用传感器渲染地图的纹理，即3D点云的颜色；可以实时重建周围环境的精度、密度、3D、rgb着色地图.

通过最小化点到平面的残差来估计系统状态；通过最小化帧到帧的pnp重投影误差和帧到地图的

光度误差更新系统状态。

设备：

DJI manifold- 2c computation platform (equipped with an Intel i7-8550u CPU and 8 GB RAM), a FLIR Blackflfly BFS-u3-13y3c global shutter camera, and a LiVOX AVIA LiDAR. 差分GPS RTK系统，使用ArUco标记计算设备漂移；

所做实验与对比的方法：1.激光雷达退化和视觉无纹理环境下的鲁棒性评估，

2.高精度测绘大型室内外城市环境。

3.基于D-GPS RTK的精度定量评价

在这两个序列中，传感器经常面对许多行人，偶尔也会面对公海，而在那里，激光雷达的测量值很少。对比的方法：

“R3LIVE-HiRES” and “R3LIVE-RT“ /LVI SAM /R2LIVE /FAST-LIO2 /VINS-Mono

4.运行时间分析

desk  top PC (with Intel i7-9700K CPU and 32GB RAM)

UAV on-board computer (“OB”, with Intel i7-8550u CPU and 8GB RAM

VIO子系统受两个主要设置的影响：图像的大小(“图像大小”）和点云图的分辨率(“Pcres”）

 VIO 每帧耗费的时间

使用 ArUco marker board？用于获得起始姿态和结束姿态之间的相对姿态。

使用的指标：与地面真实结束姿态相比，我们的算法旋转漂移1.62˝，平移4.57 cm. 

Drift in translation ( m)  Drift in rotation ( deg )

我们将我们的地图与谷歌-地球卫星图像合并，并发现它们能很好地对齐。

创新点：VIO通过最小化观测地图点的RGB颜色与其在当前图像中测量的颜色之间的光度误差来估计当前状态。

LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

采用方法：为了确保实时的高性能，边缘旧的激光雷达扫描以进行姿态优化，不是将激光雷达扫描匹配到全局地图。在局部尺度上而不是全局尺度上的扫描匹配显著提高了系统的实时性能，

将基于欧式距离的回环检测换成了基于全局描述子Scan Context的回环检测。

作者使用帧-局部地图匹配代替LOAM的帧-全局地图匹配，

对比的方法：LOAM /LIOM/LIO-odom /LIO-GPS/ LIO-SAM /GPS availability