LOAM(LiDAR Odometry and Mapping)是Ji Zhang 于2014年提出的使用激光雷达完成定位与三维建图的算法。
之后的许多激光SLAM算法都借鉴了LOAM中的一些思路,在此进行一些资料汇总。
论文 | 雷达 | 视觉 | 惯导 | 开源代码 |
---|---|---|---|---|
LOAM2014 | Y | N | N | Y |
LOAM-livox | Y,小视角 | N | N | Y |
VLOAM2015 | Y | Y | N | N |
LVIOM2018 | Y | Y | Y | N |
LeGO-LOAM2018 | Y | N | N | Y |
LIO-Mapping2019 | Y | N | Y | Y |
LIO-SAM2020 | Y | N | Y | Y |
Y for yes and N for no。
LOAM,LiDAR Odometry and Mapping,2014,Ji Zhang
http://www.roboticsproceedings.org/rss10/p07.pdf
在假设激光设备匀速运动的前提下,将SLAM问题分为两部分:
1、里程计(Odometry),用以估计一个SCAN内激光设备的速度,对点云进行运动补偿;
2、建图(Mapping),用以做特征点对应与点云配准。
相关解读:LOAM论文介绍与A-LOAM代码简介 和 LOAM-SLAM原理解析
开源代码:https://github.com/laboshinl/loam_velodyne 对应注释版 https://github.com/cuitaixiang/LOAM_NOTED
简化版本代码:https://github.com/HKUST-Aerial-Robotics/A-LOAM 及解读 https://blog.csdn.net/unlimitedai/article/details/105711240
再优化改进版本代码:https://github.com/wh200720041/floam
LOAM-livox
https://arxiv.org/abs/1909.06700v1
针对LIVOX(小视角)激光设备的LOAM
开源代码:https://github.com/hku-mars/loam_livox
VLOAM,Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast,2015, Ji Zhang
https://frc.ri.cmu.edu/~zhangji/publications/ICRA_2015.pdf
在LOAM的基础上加入视觉方法,先利用视觉方法估计激光设备的运动并配准点云,再使用激光点云修正运动轨迹与建图过程。
暂无开源代码。
LVIOM,Laser–visual–inertial odometry and mapping with high robustness and low drift, 2018,Ji Zhang
https://frc.ri.cmu.edu/~zhangji/publications/JFR_2018.pdf
文章提出了使用惯导设备(IMU)进行运动预测,使用耦合的视觉惯导估计运动,再利用扫描点云对应的方式优化运动轨迹与建图。
暂无开源代码。
LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain,2018,Tixiao Shan
https://ieeexplore.ieee.org/abstract/document/8594299
文章提出了一种轻量式的,利用地面进行分割与优化的LOAM方法。
相关解读:https://zhuanlan.zhihu.com/p/115986186
开源代码:https://github.com/RobustFieldAutonomyLab/LeGO-LOAM 和 https://github.com/facontidavide/LeGO-LOAM-BOR
开源代码注释:https://github.com/wykxwyc/LeGO-LOAM_NOTED
LIO-Mapping,Tightly Coupled 3D Lidar Inertial Odometry and Mapping,2019,Haoyang Ye
https://ram-lab.com/file/hyye/lio-mapping
文章提出使用紧耦合方式,联合最小化惯导与激光测量的误差实现小偏移的雷达IMU里程计,并且利用一个旋转受限的优化方法进行雷达姿态与全局地图之间配准的估计,从而进行建图。
开源代码:https://github.com/hyye/lio-mapping
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, 2020,Tixiao Shan
https://arxiv.org/abs/2007.00258
LeGO-LOAM的升级版,本文提出了一种紧耦合激光-惯性里程计方法,通过优化包含LiDAR里程计因子,IMU预积分因子,GPS因子和回环因子来得到机器人的全局一致的位姿。作者使用帧-局部地图匹配代替LOAM的帧-全局地图匹配,提高了帧图匹配的效率。
相关解读:https://zhuanlan.zhihu.com/p/164517204 和 https://zhuanlan.zhihu.com/p/153394930