SLAM方法学习-LOAM， VLOAM，FASTLIO2
LOAM维度Scan-scanLidar OdometryScan-mapLidar Mapping运行频率10Hz高频1Hz低频匹配对象当前帧 ↔ 上一帧scan-scan当前帧 ↔ 局部地图scan-map精度低短时无漂移长期累积误差高消除累计漂移全局一致作用实时追踪载体运动矫正点云畸变优化全局轨迹、构建稠密地图输出粗位姿、去畸变点云高精度地图、修正全局位姿VLOAM维度LOAM纯激光 SLAMVLOAM视觉 激光融合 SLAM传感器输入仅激光雷达激光雷达 单目相机前端初值来源激光帧间匹配10Hz视觉帧间跟踪60Hz线程分层2 层10Hz Scan-Scan 里程计 1Hz Scan-Map 建图3 层60Hz 视觉里程计 1Hz 激光分层优化 位姿融合最终定位输出频率10Hz60Hz核心匹配逻辑纯激光点线 / 点面约束视觉高频跟踪 激光几何约束修正漂移FASTLIO2NDTNDT 是激光定位里常用的点云匹配算法多用于初始化全局定位机器人不知道自己在哪时把当前激光点云和预先建好的地图匹配算出位姿变换R旋转、t平移。 核心思路不直接匹配单个点而是把地图空间切成小格子用高斯分布描述每个格子里点的分布特征靠概率最大化找最优位姿。GICP对比维度标准点对点 ICPGICP广义 ICPNDT正态分布变换建模单元单个点无不确定性单个点每个点独立高斯协方差空间栅格每个栅格整体高斯分布优化目标最小化匹配点对欧式距离总和最大化残差高斯联合似然概率最大化当前点落入栅格分布的联合概率几何适配仅点对点约束平面场景误差大融合点 - 点、点 - 面双重约束平面 / 边缘都适配栅格整体分布不区分单点几何噪声处理默认所有点噪声权重相同根据局部几何自动调整单点权重抗噪更强栅格平均过滤噪点全局降噪对点云初值要求极高初值偏差大极易局部最优中等IMU / 里程计提供初值即可稳定收敛很低无任何先验位姿也能全局匹配迭代速度最快计算最简单中等协方差运算增加开销最慢栅格划分 概率迭代开销大典型用途已有精准位姿局部微小修正SLAM 连续里程计跟踪LOAM/FAST-LIO 衍生方案机器人开机全局初始化、重定位地图存储形式原始离散点云原始离散点云栅格 栅格均值 / 协方差基于里程计和激光雷达的融合定位
