LIO-SAM源码解读：总体架构篇

已于 2024-09-25 18:46:40 修改
阅读量1.3w 收藏 64
点赞数 6
CC 4.0 BY-SA版权
分类专栏： LIO-SAM 多传感器融合SLAM 文章标签： 自动驾驶 人工智能 算法 slam
于 2021-09-09 16:15:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/JaydenQ/article/details/120190743
本文详细解读了LIO-SAM（激光惯导SLAM）的源码，包括激光运动畸变校正、特征提取、IMU预积分和因子图优化四个核心部分。通过激光校正、特征匹配、因子图优化实现精确的定位与建图，同时涉及闭环检测以提高SLAM系统的鲁棒性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

参考文章链接：知乎 卢涛

关于LIO-SAM的论文解读，请查看 论文解读
本文旨在对源代码进行阅读学习，这里记录下来，希望可以帮到有需要的同学，如有错误的地方，请您批评指正。

目录

  1. LIO-SAM源码解读（一）：ImageProjection
  2. LIO-SAM源码解读（二）：FeatureExtraction
  3. LIO-SAM源码解读（三）：TransformFusion 和 IMUPreintegration
  4. LIO-SAM源码解读（四）：mapOptimization

整体流程

代码结构图：
在这里插入图片描述

因子图：

最低0.47元/天 解锁文章

200万优质内容无限畅学
全新Benchmark框架！OpenStereo：开创双目立体匹配的新纪元
3D视觉工坊
12-23 1497
作者：Xianda Guo | 来源：3DCV添加微信：dddvision，备注：自动驾驶，拉你入群。文末附行业细分群导读???? [重磅发布] OpenStereo：开创双目立体匹配的新纪元！????是否曾想探索双目立体视觉的奥秘？OpenStereo为您揭晓！这个全新的Benchmark框架不仅支持6大主流双目数据集，还集成了12种先进网络。通过对双目立体匹配过程中的关键步骤：数据增强、特征提取、代价空间...
以色列魏茨曼科学研究所最新发布！TokenFlow：一致的扩散特征用于一致的视频编辑...
3D视觉工坊
08-05 373
作者：幸运的石头 | 来源：3DCV在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf。添加微信：dddvisiona，备注：2D视觉，拉你入群。文末附行业细分群。限于篇幅，对本文的的深入思考与理解，我们发表在了「3D视觉从入门到精通」知识星球。最近，生成式人工智能革命已经扩展到了视频领域。然而，目前最先进的视频模型在视觉质量和用户对生成内容的控制方面仍落后于图像模型。在本文中，我们...
LIO-SLAM分析
qq_38983484的博客
07-20 4053
参考文献：LIO-SAM源码解析：准备篇 一、代码框架 首先看看工程目录结构，只有四个cpp文件，从名字看也是简介明了，后面会分开对这四个文件进行源码的阅读。 对照LIO-SAM（）作者给出的下面这张系统架构图，我们首先获取一个整体上的印象。 对于一个SLAM系统后端优化是一个核心模块，有较早的卡尔曼滤波器、现在流行的图优化、因子图优化。LIO-SAM则采用因子图优化方法，包含四种因子。 LIO-SAM因子：IMU预积分因子，激光里程计因子，GPS因子，闭环因子。 上图时LIO-SAM的因子图结构，
LIO-SAM代码阅读详细注释版
11-16
LIO-SAM代码阅读详细注释版，2020年11月1日下载版本。目前还有部分没懂，以后再更新，博客里有相应的文章，文章里的注释和这里是一样的，不能保证能够运行，有可能写注释的时候不小心改了代码。
【LIO-SAM 技术深度解析：原理、实现与部署全指南】
最新发布
weixin_47429781的博客
05-22 1507
LIO-SAM是一种紧耦合的激光-惯性里程计框架，其核心创新在于多因子约束的图优化模型，通过IMU、激光雷达和GPS等传感器的数据融合，实现高精度的定位与建图。系统采用增量平滑和建图（iSAM2）算法进行优化，通过IMU预积分和激光特征提取等前端处理，结合因子图更新和边缘化处理，有效控制误差累积。LIO-SAM在IMU预积分和激光雷达处理方面进行了多项改进，如偏置自适应估计、协方差传播、自适应曲率阈值和多尺度特征提取等，显著提升了系统性能。部署LIO-SAM需要配置ROS Melodic环境，并安装GTSA
LIO-SAM
Shilong的博客
09-20 2251
紧耦合激光SLAM算法LIO-SAM
LIO-SAM源码解析（一）：论文阅读
人无远虑，必有近忧
07-18 4330
我们提出了一个通过smoothing and mapping实现的紧耦合激光惯性里程计框架，LIO-SAM，能够取得高精度、实时的移动机器人的轨迹估计和地图构建。LIO-SAM基于因子图构建，把多个相对测量数据或者绝对测量数据，包括回环检测，以因子的形式加入到系统中进行联合优化。通过IMU预积分获得的运动估计可以用于点云运动畸变的修正和作为激光里程计优化的初值。反之，基于获得的激光里程计可以估计IMU的零偏。为了保证实时性能，当位姿估计时，我们边缘化老的激光帧；而不是将雷达点云与全局地图进行匹配。Sc...
LIO-SAM代码解读
sWhilte的博客
06-24 1871
笔者初学，文章仅供参考，有不同于网上注释的版本的地方，如有错误请多包含。该开源算法的作者是Ti Xiaoshan，开源过lego-loam、lio-sam、vins-mono算法。
LIO-SAM源码解析（五）：mapOptmization.cpp
人无远虑，必有近忧
05-21 2747
这个函数主要就是进行帧到地图的匹配，通过点到面、点到线的距离距离最小作为优化目标。LOAM中雅阁比矩阵推导其实还是过于复杂了，可以使用进行误差扰动来计算雅阁比矩阵，姿态使用失准角（李代数）模型推导更为简单。
LOAM论文介绍与A-LOAM代码简介
qq_29462849的博客
09-24 1640
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达一、前言LOAM[1]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，即Lidar Odometry an...
LIO-SAM代码逐行解读（1）-准备工作
晓晨的博客
12-30 1179
针对Shan Tixiao开源的经典LIO框架LIO-SAM源代码进行逐行解读，总结。记录在这里希望能够给大家提供一些参考。这里是第一部分，主要是开始的一些准备工作，包括 utility.h文件，cloud_info.msg文件等。
LIO-SAM-DetailedNote:LIO-SAM源码详细注释，3D SLAM融合激光、IMU、GPS
05-08
LIO-SAM-DetailedNote LIO-SAM源码详细注释，3D SLAM融合激光、IMU、GPS，因子图优化。 LIO-SAM的代码十分轻量，只有四个cpp文件，很值得读一读呢。 关于LIO-SAM的论文解读，网上已经有很多文章啦，同系列的LOAM、A-LOAM、LEGO-LOAM等，在网上都可以找到相关的解读文章。所以本文旨在对源代码进行阅读学习，积累一些工程上的经验。这里记录下来，希望可以帮到有需要的同学，如有错误的地方，请您批评指正。 :) 如果对您有帮助，帮我点个star呦~ 目录（知乎） 整体流程 代码结构图 因子图 1、激光运动畸变校正。利用当前帧起止时刻之间的IMU数据、IMU里程计数据计算预积分，得到每一时刻的激光点位姿，从而变换到初始时刻激光点坐标系下，实现校正。 2、提取特征。对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点特征
LIO-SAM代码（中文注释）
02-24
LIO-SAM代码中文注释 ROS代码
lio_sam代码阅读之imageProjection.cpp
南北粉面馆
08-16 510
ImageProjection的构造函数 ImageProjection(): deskewFlag(0) { // 订阅原始imu数据 subImu = nh.subscribe<sensor_msgs::Imu>(imuTopic, 2000, &ImageProjection::imuHandler, this, ros::TransportHints().tcpNoDelay()); // 订阅imu里
LIO-SAM算法解析
超爱吃小蛋糕的66的博客
10-27 9121
LIO-SAM在lego-loam的基础上新增了对IMU和GPS的紧耦合，采用一个因子图对位姿进行优化，包括IMU因子，激光里程计因子，GPS因子、回环因子。虽然在创新点上没什么让人觉得有趣的东西，但是在性能上相比Lego-Loam，因为加入了高频的IMU，在一些不好的场景下表现要更鲁棒，回环处的漂移也更小。不过虽然加入了IMU，但似乎连松耦合都称不上，IMU预积分在LIO-SAM中的作用仅用来对激光点云做运动补偿去畸变，以及在scan-2-map时提供优化的初始位姿。
LIO-SAM源码解读（一）：ImageProjection
JaydenQ的博客
09-09 1829
写在前面 ImageProjection 激光运动畸变校正 功能简介: 1、利用当前激光帧起止时刻间的imu数据计算旋转增量，IMU里程计数据（来自ImuPreintegration）计算平移增量，进而对该激光帧每一时刻的激光点进行运动畸变矫正 （利用相对激光帧起始时刻的位姿增量，变换当前激光点到起始时刻激光点的坐标系下，实现矫正）； 2、同时利用IMU数据的姿态角（RPY,roll,pitch,yaw）、IMU里程计数据的位姿，对当前帧激光位姿进行粗略初始化。 订阅： 1、订阅原始的IMU数据； 2、订阅
LIO-SAM源码解读（二）：FeatureExtraction
JaydenQ的博客
09-09 875
写在前面 FeatureExtraction 点云特征提取 功能简介: 对经过运动畸变矫正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点（用曲率的大小进行判定）。 订阅： 1、订阅当前激光帧运动畸变矫正后的点云信息，来自ImageProjection。 发布： 1.发布当前激光帧提取特征之后的点云信息，包括的历史数据有：运动畸变矫正，点云数据，初始位姿，姿态角，有效点云数据，角点点云，平面点点云等，发布给MapOptimization； 2.发布当前激光帧提取的角点点云，用rviz展示； 3.
LIO-SAM代码简明分析
weixin_62353470的博客
04-24 639
LIO-SAM代码简明分析
每日浅读SLAM论文——简析LIO-SAM
qq_21043585的博客
07-07 3450
今天讲一篇经典的LIO（LiDAR-Inertial Odometry）SLAM论文——LIO-SAM。雷达+里程计由于其高鲁棒性、较低成本（二维雷达不贵、三维雷达价格也在降、IMU不太贵），可以说是工业机器人应用最广泛的SLAM解决方案了。对于三维LiDAR+IMU的结局方案，在github上的开源算法并不多，甚至可以说就LIO_SAM和FAST_LIO两种（及它们的前身和衍生物）。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

JaydenQ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值