LOAM2014JiZhangLOAM中文注释版：https://github.com/cuitaixiang/LOAM_NOTEDLOAM笔记及A-LOAM源码阅读：https://www.cnblogs.com

参考文章：ubuntu20.04下ros运行A-LOAMUbuntu20.04下运行LOAM系列：A-LOAM、LeGO-LOAM、SC-LeGO-LOAM、LIO-SAM和LVI-SAM需要学习源码的同学可以下载

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

系统环境：Ubuntu18.04.6LTS1.A-Loam的安装前要求：1.1ROS安装：参考我的另一篇博客Ubuntu18.04安装ROS-melodic保姆级教程_灬杨三岁灬的博客-CSDN博客还是那句话，有时候加了这行也不好使，我是疯狂试了20+次，最后打了一局游戏，回来就过了，这就得看网络看命了，不行就在网上搜搜终极大招（动手能力差的不建议）。有时候加了这行也不好使，我是疯狂试了10+次，

安装环境、依赖：eigen、pcl参考这里：Ubuntu18.04realsenseD435iROSorbslam2_echo_gou的博客-CSDN博客ceres1.14：sudoapt-getinstalllibgoogle-glog-devlibgflags-devlibatlas-base-devlibsuitesparse-devcmakewgetceres-solver.org/cer

文章目录后端约束构建线特征提取点线约束构建代码面特征提取点面约束构建代码后端约束构建在前端⾥程记部分，我们通过当前帧的线特征和⾯特征分别和上⼀帧的线特征和⾯特征进⾏匹配，构建约束，然后进⾏优化求解。由于机械式激光雷达的性质，我们在寻找匹配的过程中需要注意线束相关的约束，以免构建的约束不符合实际。在后端的当前帧和地图匹配的时候，我们就需要从地图⾥寻找线特征和⾯特征的约束对，此时，由于没有了线束信息，

ORB-SLAM22.1配置参数2.2单目三、ORB-SLAM33.1配置参数3.2运行单目+IMU四、VINS-Mono4.1配置参数4.2运行单目+IMU五、DM-VIO5.1安装5.2配置运行六、A-LOAM

rosbag发布的topica-loam代码中所接收的topicrqt启动rqt查看rqt界面保存轨迹方法一、简单的方法二、使用ros::Subscriber和回调函数方法三、创建新节点用于保存轨迹小结总结使用A-loam

inputestimator.inputCloud(cloud_time,laser_cloud_list);inputCloud展开：给每个激光雷达的三维点赋⼀个0-1值，为这个点的时间戳相对于这⼀帧点云的相对时间，这个与A-LOAM

基础环境ubuntu及ROS安装，略；安装完ROS以后，默认已经安装好了PCL和Eigen库；安装Ceres下载Ceres源文件：（Vmware没有网络，到下面的网址手动下载安装包）-https://github.com/ceres-solver/ceres-solver/releases/tag/1.14.0安装Ceres依赖：sudoaptinstalllibsuitesparse-devli

文章目录前言一、bag录制二、bag信息查看三、bag播放四、bag的使用（以A-LOAM为例）前言传感器获取到的信息，有时我们可能需要实时处理，有时可能只是采集数据，事后分析，比如:机器人导航实现中，

前言本文将通过论文对照代码的方式阐述A-LOAM这一神奇算法。全文保持各个章节短小精悍的风格。本文会省去一些细节，但是了解大部分的论文和代码实现已经足够了。

今天运行a-loam程序才发现重装之后的ubuntu18没装ros于是去查了怎么去查找ros系统的版本先在终端输入roscore打开新终端，再输入，rosparamlist再输入rosparamget/

A-LOAM主要包括四个主要的源程序，刚看完scanRegistration，顺便分享总结一下，剩余三个以后看完会及时更新，本文件主要是通过曲率来对角点以及平面点进行提取。

scanRegistration.cpp参考了网上多篇文章，给aloam代码加了详尽的注释removeClosedPointCloud该函数去除半径thres内的点，以此来保证留下的点不在激光雷达附近，再对保留下的点进行resize。templatevoidremoveClosedPointCloud(constpcl::PointCloud&cloud_in,pcl::PointCloud&cl

导读下面是我对LOAM论文的理解以及对A-LOAM的源码阅读（中文注释版的A-LOAM已经push到github，见A-LOAM-NOTED），最后也会手推一下LOAM源码中高斯牛顿法（论文中说的是LM

该节点主要用到来自cornerPointsLessSharp和surfPointsLessFlatScan的数据，对这两个容器中的点云进行了降采样，基于PCA原理，使用ceres求解器计算出两帧之间的位姿。在函数laserOdometryHandler中，将laserOdometry节点和laserMapping节点计算的位姿结合，即可得到最终的轨迹odomAftMapped建议分函数分部分看，不

参考LOAM作为一个非常经典的3D激光SLAM算法，一直被各种模仿和升级(Lego−LOAM,a−loam,floam,livox−loam,Lio−mapping,lio−SAMLego-LOAM,a-loam

这个文件主要分为3个函数，一个点云滤除函数，主要是对距离过近的点进行滤除第二个是特征提取函数，分别提取了极大边线点，次极大边线点，极小平面点，次极小平面点四个特征第三个就是main函数了。参考一些前人的工作，自己做了总结，进行学习。#include#include#include#include"aloam_velodyne/common.h"#include"aloam_velodyne/tic

这几天在看源码的过程中，发现LeGO-LOAM的优化需要的东西（比如残差、雅克比、高斯牛顿），全是手推的公式，并不像A-LOAM那样调的ceres库，而且涉及大量的欧拉角的外旋（这部分下篇文章去总结），

雅可比矩阵推导线特征：核心思想：点到直线距离最小。通过平行四边形面积除以对角线长度面特征核心思想：使得点到面距离最短线/面特征雅可比矩阵解析求导实现需要修改的代码为include/lidar_localization/models/loam/aloam_factor.hpp修改好之后，需要修改代码接口部分面特征在03-lidar-odometry-advanced/src/lidar_locali

了并且需要有一些ROS的基本知识ubuntu版本：20.04webots版本：2021aros版本：noetic1.A_LOAM建图算法介绍A_LOAM是由港科大沈老师组的ShaozuCao根据LOAM源码改写的A-LOAM

1、准备工作需要提前安装Ceressolver和PCL，如果你安装的是完整版ROS那么PCL已经自动安装好了，ceres安装参见我另一篇博客https://blog.csdn.net/weixin_53073284/article/details/125908045?spm=1001.2014.3001.5501；2、编译和报错##报错1：error:‘CV_LOAD_IMAGE_GRAYSCAL

1.aloam地址GitHub-HKUST-Aerial-Robotics/A-LOAM:AdvancedimplementationofLOAM2.安装aloam的一些依赖主要是两个ceres和pcl

首先前提已经按照上一篇文章已经安装好了ROS（noetci），接下来请跟我一起来跑一下这个算法，点开这个Github开源地址：https://github.com/HKUST-Aerial-Robotics/A-LOAM

ceres库问题/home/l/Projects/ALOAM/src/A-LOAM/src/laserMapping.cpp:Infunction‘voidprocess()’:/home/l/Projects

A-LOAM链接：https://github.com/HKUST-Aerial-Robotics/A-LOAMcatkin_make后出些如下错误：/home/caohaojie/SLAM/LOAM/

ubuntu20.04跑A-LOAM代码实测_songjuc的博客-CSDN博客参考了该博主，感谢1、修改源代码将四个.cpp文件中的/camera_init修改为camera_init将scanRegistration.cpp

1.首先前提已经按照上一篇文章已经安装好了ROS，接下来请跟我一起来跑一下这个算法，点开这个Github开源地址：https://github.com/HKUST-Aerial-Robotics/A-LOAM

前言大致看了一下ORB-SLAM、DF-VO等SLAM相关项目，也围绕着DF-VO做了一些修改，现在研二，也该为自己的未来作打算了，看了一下求职的信息，其实给我的感觉招雷达SLAM的会比视觉SLAM的要多，稍微统计了一下，SLAM岗下面几个要求在招聘信息出现的次数比较多。ROSC++LOAMORB-SLAMcartographerVINS非线性优化卡尔曼其实之前也一直想学习一下激光SLAM相关知识

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

专栏系列文章如下：一：TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客一.框架介绍：A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM

Ubuntu18.04使用octomap_server将点云地图转化为八叉树地图1.下载相关功能包2.octomap_server功能包的使用3.octomap与A-LOAM的测试使用运行环境Linux