LOAM論文介紹與A-LOAM代碼簡介

作者：小L

一、前言

LOAM[1]是Ji Zhang於2014年提出的使用激光雷達完成定位與三維建圖的算法，即Lidar Odometry and Mapping。之后許多激光SLAM算法借鑒了LOAM中的一些思想，可以說學習LOAM對學習3D激光SLAM很有幫助。本文對LOAM算法，以及簡化版的開源代碼A-LOAM進行簡單介紹。

二、LOAM算法

2.1 系統整體架構

LOAM主要包含兩個模塊，一個是Lidar Odometry，即使用激光雷達做里程計計算兩次掃描之間的位姿變換；另一個是Lidar Mapping，利用多次掃描的結果構建地圖，細化位姿軌跡。由於Mapping部分計算量較大，所以計算頻率較低（1Hz），由Mapping校准細化Odometry過程中計算出來的軌跡。

2.2 Lidar Odometry部分

Lidar Odometry是通過Lidar的兩次掃描匹配，計算這兩次掃描之間Lidar的位姿變換，從而用作里程計Odometry。既然提到了兩次掃描的匹配，自然而然想到了經典的ICP算法。然而LOAM並沒有采用全部的激光點進行匹配，而是篩選出了兩類特征點，分別是角點和平面點。

所謂角點，是當前激光掃描線束上曲率較大的點；而平面點，即曲率較小的點。在匹配時，首先提取當前掃描中的角點和平面點，對於角點，可以認為是物理世界中直線元素的采樣，所以計算到上一次掃描中對應直線的距離；而對於平面點，認為是物理世界平面元素的采樣，所以計算到上一次掃描中對應平面的距離。通過不斷優化，使距離最小，從而得到最優的位姿變換參數。

2.2.1 角點到直線距離的計算

計算角點到對應直線距離時，需要確定對應直線的方程，才能夠計算距離。作者認為，可以有如下假設：角點是雷達某個線束與物理世界兩個平面夾角相交時的采樣，那么這個線束相鄰的雷達掃描線束也會與這個平面夾角相交，所以這個平面夾角的直線可以用前后兩次掃描的角點進行標識。

圖：兩種特征點提取示意

具體而言，當獲得當前某一個角點時，首先根據假設的運動參數（上一次運動參數作為這一次優化的初始），計算這個角點在上一次掃描時的坐標，之后查找上一次掃描中最近鄰的角點，並在相鄰的雷達掃描線束中搜索最近的角點，從而得到了直線方程，便能夠計算點到之間距離。

2.2.2 平面點到平面距離的計算

計算平面點到對應平面距離時，也需要首先拿到平面的方程，即平面上一點與平面的法向量。與角點對應直線搜索方式類似，首先找上一次掃描中最近鄰的平面點，之后在同一個掃描線數和不同的線束上各提取一個平面點，這樣共得到了3個不共線的平面點，唯一確定了平面，從而計算平面點到平面的距離。

2.2.3 一些其他細節

a) 在角點和平面點的選擇上，為了使分布更加均勻，通常將激光雷達一圈的掃描均勻分成幾個部分，分別在每個部分中提取曲率最大（角點）和最小（平面點）的幾個點。

b) 在激光雷達的一次掃描過程中，由於運動，采集到的點雲會有運動畸變，所以在LOAM中點雲會通過預估的運動參數去畸變進行對齊

c) 雷達掃描到的一些數據點是不穩定的，作者認為有兩種不穩定數據點，如下圖所示。一種是采集面與掃描面基本平行，另一種是被遮擋。在獲得一次激光雷達掃描的點雲后，這兩種不穩定點會被首先去除。

圖：兩種不穩定點示意

2.3 Lidar Mapping部分

Mapping部分的意義是，通過與多次掃描構成的地圖進行匹配，得到Lidar Odometry中利用兩幀之間計算位姿產生的漂移，從而對軌跡進行細化。如下圖所示：

圖中，分別表示前k次掃描的軌跡（藍色曲線）和地圖（黑色直線），而最新的軌跡為。將k+1次雷達掃描到通過Odometry得到的映射到地圖坐標系中，得到了未經校准的地圖，可以看出存在一定的誤差，並沒有與原有地圖對齊。此時通過一次Lidar Mapping，可以消掉這部分的誤差，從而校准位姿參數。

圖片來源[2]

如上圖所示，在Mapping時，LOAM維護了一個以當前位置為中心，具有多個block的子地圖，論文中指出這個子地圖是10m的立方體。當Lidar采集到的點落入到這個子地圖的某些block時，將從這個子地圖提取出去對應的block，然后在這些block中像特征點提取那樣，提取當前掃描中角點和平面點近鄰的對應點，但有不同之處，並不像第2小節那樣提取2個近鄰角點確定直線或者3個平面點確定平面，而是提取更多的點進行擬合，因為子地圖是多次掃描構成的結果。

對於當前掃描的一個角點，提取對應子地圖中多個近鄰角點，通過奇異值分解求出這些角點的主方向，從而的到直線方程，從而計算點到直線距離；對於平面點，通過尋找最小特征值對應的向量得到擬合平面的法向量，從而計算點到平面距離。再進行優化，得到對齊掃描與子地圖的位姿糾正參數，之后將原有的軌跡進行糾正，便得到了細化的軌跡。

2.4 補充說明

LOAM一文中提出，可以通過IMU進行輔助。所謂“輔助”就是在激光雷達兩次掃描之間，利用IMU得到較為准確的變化軌跡，從而進行點雲畸變的去除，從而不需要靠上次掃描獲得的運動參數插值對這次的畸變進行去除，能夠提升精度。但IMU的數據並沒有參與到優化當中，所以IMU在LOAM算法中只起到了輔助作用，而后續一些其他3D激光雷達算法，例如LINS[3]，Lio-mapping[4]和LIO-SAM[5]等，利用IMU進行了緊耦合的優化，取得了更好的效果。

3. A-LOAM代碼

LOAM的作者曾經開源了LOAM的代碼，但由於某些原因又取消了開源，現在網上也流傳着一些當時的片段或者牛人的實現。而A-LOAM是LOAM的一個簡化版本，去掉了IMU以及一些其他細節，采用了Eigen，ceres等替代了原有LOAM代碼中的手動實現，非常適合學習LOAM思想，也適合新手入門3D激光SLAM。A-LOAM的鏈接是：https://github.com/HKUST-Aerial-Robotics/A-LOAM

3.1 代碼概覽

A-LOAM代碼通過ROS運行，主要有3個節點，分別是：ascanResigtration, alaserOdometry和alaserMapping，對應特征點提取、里程計計算和mapping細化三部分。整體的結構如下：

截圖來源[6]

ascanResigtration：處理Lidar輸入的點雲，提取並發布角點、平面點以及簡單處理后的完整點雲；

alaserOdometry：接收特征點，計算位姿參數（軌跡）並發布

alaserMapping：接收Lidar的點雲與Odometry計算的軌跡，進行細化，得到精確的軌跡和地圖並發布

3.2 代碼學習資料

由於代碼部分內容較多，不方便展開詳細介紹。網上資料較多，給出一些參考資料供大家自行學習。

LOAM中文注釋版：https://github.com/cuitaixiang/LOAM_NOTED

LOAM筆記及A-LOAM源碼閱讀[6]：https://www.cnblogs.com/wellp/p/8877990.html

LOAM代碼解析：https://blog.csdn.net/liuyanpeng12333/article/details/82737181

ALOAM試跑及程序注釋：https://blog.csdn.net/unlimitedai/article/details/105711240

注意有些注釋的是LOAM，有些是A-LOAM，基本上LOAM的注釋涵蓋了A-LOAM

參考文獻

1. J. Zhang and S. Singh, "Visual-lidar odometry and mapping: low-drift, robust, and fast," 2015 IEEE International Conference on Robotics and Automation (ICRA), Seattle, WA, 2015, pp. 2174-2181, doi: 10.1109/ICRA.2015.7139486.

2. https://www.cnblogs.com/wellp/p/8877990.html

3. LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation

4. Tightly Coupled 3D Lidar Inertial Odometry and Mapping

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

6. https://www.cnblogs.com/wellp/p/8877990.html

論文地址： 在公眾號「3D視覺工坊」，后台回復「LOAM相關論文」，即可直接下載上述引用的文獻。

本文僅做學術分享，如有侵權，請聯系刪文。

下載1

在「3D視覺工坊」公眾號后台回復：3D視覺，即可下載 3D視覺相關資料干貨，涉及相機標定、三維重建、立體視覺、SLAM、深度學習、點雲后處理、多視圖幾何等方向。

下載2

在「3D視覺工坊」公眾號后台回復：3D視覺github資源匯總，即可下載包括結構光、標定源碼、缺陷檢測源碼、深度估計與深度補全源碼、點雲處理相關源碼、立體匹配源碼、單目、雙目3D檢測、基於點雲的3D檢測、6D姿態估計源碼匯總等。

下載3

在「3D視覺工坊」公眾號后台回復：相機標定，即可下載獨家相機標定學習課件與視頻網址；后台回復：立體匹配 ， 即可下載獨家立體匹配學習課件與視頻網址。

重磅！3DCVer-學術論文寫作投稿 交流群已成立

掃碼添加小助手微信，可申請加入3D視覺工坊-學術論文寫作與投稿 微信交流群，旨在交流頂會、頂刊、SCI、EI等寫作與投稿事宜。

同時也可申請加入我們的細分方向交流群，目前主要有3D視覺、CV&深度學習、SLAM、三維重建、點雲后處理、自動駕駛、CV入門、三維測量、VR/AR、3D人臉識別、醫療影像、缺陷檢測、行人重識別、目標跟蹤、視覺產品落地、視覺競賽、車牌識別、硬件選型、學術交流、求職交流等微信群。

一定要備注：研究方向+學校/公司+昵稱，例如：”3D視覺 + 上海交大 + 靜靜“。請按照格式備注，可快速被通過且邀請進群。原創投稿也請聯系。

▲長按加微信群或投稿

▲長按關注公眾號

3D視覺從入門到精通知識星球：針對3D視覺領域的知識點匯總、入門進階學習路線、最新paper分享、疑問解答四個方面進行深耕，更有各類大廠的算法工程人員進行技術指導。與此同時，星球將聯合知名企業發布3D視覺相關算法開發崗位以及項目對接信息，打造成集技術與就業為一體的鐵桿粉絲聚集區，近2000星球成員為創造更好的AI世界共同進步，知識星球入口：

學習3D視覺核心技術，掃描查看介紹，3天內無條件退款

圈里有高質量教程資料、可答疑解惑、助你高效解決問題

覺得有用，麻煩給個贊和在看~