作者介紹：Zach，移動機器人從業(yè)者，熱愛移動機器人行業(yè)，立志于科技助力美好生活。

LOAM存在的問題

LeGO-LOAM全稱為：Lightweight and Groud-Optimized Lidar Odometry and Mapping on Variable Terrain，從標題可以看出 LeGO-LOAM 為應對可變地面進行了地面優(yōu)化，同時保證了輕量級。

LeGO-LOAM是專門為地面車輛設計的SLAM算法，要求在安裝的時候Lidar能以水平方式安裝在車輛上；如果是傾斜安裝的話，也要進行位姿轉(zhuǎn)換到車輛上。而LOAM對Lidar的安裝方式?jīng)]有要求，即使手持都沒有關(guān)系。

作者的實驗平臺是一個移動小車（UGA），掛載了一個Velodyne VLP-16 線激光雷達，還配有一個低精度的 IMU；選用的硬件平臺是 Nvidia Jetson TX2（ARM Cortex-A57 CPU）；整體負載是 20Kg；移動速度為：2.0m/s；測試場景為：地面不平（比較顛簸）的草地。

圖1 硬件平臺

LOAM框架在這樣的硬件環(huán)境和使用場景中會存在一些問題：

由于搭載的是嵌入式系統(tǒng)，計算能力將會受限，LOAM的計算需要將難以滿足，致使無法做到實時；

如果使用LOAM框架，系統(tǒng)計算每個點曲率的處理頻率（數(shù)據(jù)量很大，VLP-16一條線是1800個點）將難以跟上傳感器的更新頻率；

UGA行駛的路面是非平滑連續(xù)的（運動是顛簸的），采集的數(shù)據(jù)將會失真（運動畸變，勻速運動模型無法適用于顛簸場景），使用LOAM很難在兩幀之間找到可靠的特征對應。

在噪雜的環(huán)境中操作UGV也會給LOAM帶來一些挑戰(zhàn)，例如：浮動的草叢和擺動的樹葉的點云將被誤提取為角點或面點，這些特征是不可靠的，難以在連續(xù)幀之間獲取準確的匹配，從而會造成較大的漂移。

LeGO-LOAM的設計思路

對地面點云的配準主要使用的是面點特征；在分割后的點云配準主要使用的是邊緣點和面點特征。從中可以看出使用邊緣點的數(shù)量是要遠小于平面點的數(shù)量，這也是能實現(xiàn)加速的主要原因。

LeGO_LOAM的軟件系統(tǒng)輸入 3D Lidar 的點云，輸出 6 DOF 的位姿估計。整個軟件系統(tǒng)分為 5 個部分：

第一部分：Segmentation： 這一部分的主要操作是分離出地面點云；同時對剩下的點云進行聚類，濾除數(shù)量較少的點云簇。

第二部分：Feature Extraction： 對分割后的點云（已經(jīng)分離出地面點云）進行邊緣點和面點特征提取，這一步和LOAM里面的操作一樣。

第三部分：Lidar 里程計： 在連續(xù)幀之間進行（邊緣點和面點）特征匹配找到連續(xù)幀之間的位姿變換矩陣。

第四部分：Lidar Mapping： 對feature進一步處理，然后在全局的 point cloud map 中進行配準。

第五部分：Transform Integration： Transform Integration 融合了來自 Lidar Odometry 和 Lidar Mapping 的 pose estimation 進行輸出最終的 pose estimate。

LeGO-LOAM的算法細節(jié)

圖3 噪聲環(huán)境中一條scan的特征提取過程

A. Segmentation

提取地面點之后，再對剩下的距離圖像進行聚類（分簇），過濾掉點云數(shù)量小于 30 的點云簇，對保留下來的點云簇分配不同的標簽。地面點云屬于特殊的一類點云簇（一開始我們就提取出來了）。對點云進行聚類再處理，可以提高運行效率和提取更穩(wěn)定的特征。例如，小車運行于嘈雜的環(huán)境，樹葉將會產(chǎn)生不可靠的特征，相同的葉子不太可能在連續(xù)兩幀掃描中看到。圖3(a)是原始點云，包含了很多植被點云；經(jīng)過處理之后變成了圖3(b)，只剩下大物體點云，例如：樹干。地面點云將被保留以作進一步處理。此時，保留下來的每個點將具備三種屬性：（1）點云的標簽；（2）在距離圖像中的行列數(shù)；（3）距離值。

B. Feature Extraction

這一步主要是從地面點云和分割出來的點云中提取特征，與LOAM中的操作一樣。主要要搞清

為了從各個方向均勻地提取特征，我們將距離圖像水平分割成幾個相等的子圖像，將360°均勻分成6等分，每一等分的精度是 300 \times 16（因為VLP-16線Lidar，一條scan是1800個點）。

計算子圖中每一行的點的曲率值，對曲率值進行排序分類，>Cth，分為邊緣點特征；< Cth 分為面點特征。設置以下幾個集合(論文中這部分語句相近，以下是我個人的理解，可能不準確)：

C. Lidar Odometry

1）Label Matching：LeGO-LOAM對點云進行了聚類分簇，不同的點云簇具有不同的Label。Label 信息可以作為兩幀匹配的約束條件，連續(xù)兩幀之間只有同類標簽點云簇才能進行配準。這種方式可以提高配準的精度和效率。

D. Lidar Mapping

LeGO-LOAM的性能表現(xiàn)

作者為測試LeGO-LOAM的性能，設計了一系列的實驗來對比LeGO-LOAM和LOAM的表現(xiàn)性能。

作者在戶外的小場景和大場景中，分別對LeGO-LOAM和LOAM測試平臺執(zhí)行激烈和平緩的控制，來查看兩者的建圖效果和效率。

在小場景的激烈運動過程中：LOAM 會把草叢、樹葉提取為邊緣點特征（草叢和樹葉是不穩(wěn)定特征的主要來源）；而LeGOU-LOAM會過濾掉這些不穩(wěn)定的特征，只會在樹干，地面，臺階等上提取穩(wěn)定特征。如下圖所示（綠色是邊緣點，粉色是面點）：

在LOAM框架中，劇烈的運動容易造成點云地圖的發(fā)散，如下圖中(a)LOAM，有三個樹干。

作者在大場景的都市環(huán)境（是一個學校，不同地點的海拔誤差在19m之內(nèi)）里也進行多種測試以驗證建圖的精度，有人行道，水泥路，土路和草叢。

LOAM 在人行道上的建圖效果并不好，可能是一端存在樹木葉子的干擾，如下圖所示：

在其他三種場景中，LeGO-LOAM的偏差(終點相對于初始位置的偏差)表現(xiàn)都要優(yōu)于LOAM。

整個測試的結(jié)果如下：

特征點數(shù)量對比：LeGO-LOAM特征點整體下降幅度超過：29%，40%，68%，72%。

迭代次數(shù)對比：里程計的迭代次數(shù)降低了34%，48%。

運行時間對比：降低了 60%

位姿誤差對比：LeGOLOAM可以用更少的計算時間實現(xiàn)可比或更好的位置估計精度。

參考資料

https://github.com/RobustFieldAutonomyLab/LeGO-LOAM

備注：作者也是我們「3D視覺從入門到精通」特邀嘉賓：一個超干貨的3D視覺學習社區(qū)