激光slam中,LOAM(Lidar Odometry and Mapping in Real-time)系列具有举足轻重的地位。下面的表格是近年来LOAM系列算法的汇总。
算法名称 | 发表名称 | 作者 | 备注 |
---|---|---|---|
LOAM | 2014 | Ji Zhang | 基于激光雷达而搭建的在ROS平台下的SLAM系统 |
A-LOAM | 实现了LOAM开源代码,并做了部分优化 | ||
LeGO-LOAM | 2018 | Tixiao Shan | 与IMU是松耦合 |
LlOM | 2019 | Haoyang Ye | 与IMU是紧耦合 |
LIO-SAM | 2020 | Tixiao Shan | LeGO-LOAM升级版,与IMU紧耦合 |
LeGo-Loam是基于ros系统框架的3D激光slam开源代码。代码简洁,其中大量计算都是手动推导出来,依赖库相对较少,主要依赖gtsam进行后端因子图优化。其中在前端里程计计算中,通过地面特征和线特征分开来计算机器人姿态,减少计算量,提高前端计算效率。其系统框架如下图:
相对于LOAM算法,LeGo-LAOM能够进行地面优化,同时保证了轻量级,也加入了回环检测模块。
相对于LOAM算法,LeGo-LAOM能够进行地面优化,同时保证了轻量级;也使用了Keyframe概念以及回环检测位姿图优化的方式对后端进行重构。
对于工业领域而言,LeGo-LOAM有非常广泛的应用,尤其是工业机器人领域,LeGo-LOAM一直都是应聘者必须掌握的框架。
对于学术研究而言,LeGo-LOAM是激光SLAM的经典框架,LeGo-LOAM源码简洁清晰,比LOAM算法的代码可读性要高很多。近几年各顶会上的很多SLAM算法设计思想都潜移默化地受LeGo-LOAM的影响,对其的改进思路相较于LOAM也比较多样化。
学习SLAM主要需要攻克三大难关:
这三点都绝非易事,需要花很大的功夫,中间也有不少弯路要走。
对于初学者,推荐以下的学习路线:
做好以上几点基本都差不多了,但是自己学习总是会遇到很多困难。为此,我们与高级科学家弘毅学者一起研发了《深度剖析面向机器人领域的3D激光SLAM技术原理、代码与实战》课程,一方面是带领大家入门基于LeGo-LOAM框架的3D激光SLAM技术,另一方面是带领大家掌握激光SLAM的学习方法。
LeGO-LOAM运行效果展示:
全部0条评论
快来发表一下你的评论吧 !