Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small Fo

原创 已于 2023-01-19 16:57:37 修改 · 403 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#c++ #算法

于 2023-01-19 16:56:34 首次发布

Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV

Points Selection And Feature Extraction 选点和提取特征

在这里插入图片描述

A. Points selection 选点

在这里插入图片描述
在这里插入图片描述

B. Feature extraction 提取特征

Iterative Pose Optimization 迭代位姿优化

A. Residual of edge-to-edge 边到边

我们使用ξk\xi_kξk​和ξm\xi_mξm​分别表示所有的在当前帧和地图的所有边线特征。对于每一个ξk\xi_kξk​中的点，我们在ξm\xi_mξm​中找到最近的5个点。为了加速搜索的速度，我们建立了一个ξm\xi_mξm​的kdtree。而且，这个kd-tree的线程是一旦收到上一针registered 帧或者子帧就会被另一个并行的线程构建。这样做的话当接收到新数据的时候，KD-tree就可以立马被用上。

我们用符号PlP_lP

最低0.47元/天 解锁文章
Visual-lidar+odometry+and+mapping_+low-drift,+robust,+and+fast.pdf
10-22
Abstract— In this paper, we develop a low-cost stereo visualinertial localization system, which leverages efficient multistate constraint Kalman filter (MSCKF)-based visual-inertial odometry (VIO) while utilizing an a priori LiDAR map to provide bounded-error 3D navigation. Besides the standard sparse visual feature measurements used in VIO, the global registrations of visual semi-dense clouds to the prior LiDAR map are also exploited in a tightly-coupled MSCKF update, thus correcting accumulated drift. This cross-modality constraint between visual and LiDAR pointclouds is particularly addressed. The proposed approach is validated on both Monte Carlo simulations and real-world experiments, showing that LiDAR map constraints between clouds created through different sensing modalities greatly improve the standard VIO and provide bounded-error performance.
【LOAM系列】五：Livox-Loam论文笔记
Jeet173的博客
06-09 799
LIvox-Loam论文阅读
LOAM livox论文学习笔记
weixin_41690997的博客
07-13 3029
Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV 摘要：LiDAR odometry and mapping(LOAM)可以同时确定机器人位置并且建立周围环境的高精度、高分辨率的地图。这有利于车辆的自动导航和安全的路径规划。这篇论文展示了一种应用于小视野和不规则采样激光雷达的鲁棒实时LOAM算法。 ...
Loam_livox 代码阅读与总结
xiaoma_bk的博客
07-15 2853
loam livox
python夹角余弦雷达图_Loam livox：一种用于小视场角激光雷达的快速、鲁棒、高精度的激光雷达里程计和建图包...
weixin_30579719的博客
01-06 378
点击上方“计算机视觉life”，选择“星标”快速获得最新干货标题：Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV作者：Jiarong Lin and Fu Zhang来源：ICRA 2020 编译：阮建源审核：万应才，李鑫摘要 大...
Loam livox 论文翻译和总结
poplar的专栏
07-07 1247
Loam livox 论文翻译和总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 论文链接: Lin J , Zhang F . Loam livox: A fast, robust, h
R2LIVE论文翻译: A Robust, Rea-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping.
JaydenQ的博客
08-30 2738
文章目录写在前面 写在前面 文章参考:3D视觉工坊 论文原文:论文原文链接 演示视频:
《论文阅读14》FAST-LIO
darren_pty
08-16 1660
牛津大学、中山大学、国防科技大学。
开源3D激光（视觉）SLAM算法汇总（持续更新）
热门推荐
zhaoliang的博客
10-12 2万+
3D激光SLAM, lidar, vslam， 多模态
超全！SLAM论文与开源代码汇总（激光+视觉+融合）
3D视觉工坊
10-21 9362
1.代表性视觉SLAM算法论文与开源代码总结2.代表性激光SLAM算法论文与开源代码总结3.代表性激光-视觉融合SLAM算法论文总结激光-视觉-IMU-GPS融合SLAM算法理论与代码讲解...
2020.6.25 ICRA2020中的有关重建的论文 二
shuang_yu_的博客
06-29 3017
DeepFactors: Real-Time Probabilistic Dense Monocular SLAM 单目SLAM，估计场景的稠密地图 这是通过使用学习到的紧凑深度图表示，并重新构造三种不同类型的误差：光度误差，重投影误差和几何误差。 Introduction 单目SLAM的研究已分为两个范式，其主要区别在于几何图表示： i)稀疏方法[1] – [3]形成并维护由一组特征点点地标组成的地图，缺点在于限制地图的实用性；优点是对图像噪声，离群值和照明变化具有鲁棒性。 ii)稠密方法：使用所有图像像
FAST-LIVO论文翻译
JunJun
06-05 3236
多传感器融合被证明是一种能够在SLAM任务中取得准确和鲁棒位姿估计的有效解决方案，因而在机器人应用中具有无限可能。本文提出了FAST-LIVO方法，一种快速的雷达-惯性-视觉里程计，其中包含了两个紧耦合的直接里程计子系统：一个VIO子系统和一个LIO子系统。.........
LOAM_Livox小结
Curryfun的博客
05-01 7291
LOAM_Livox小结简介相关资源传感器论文小结paperⅠpaper Ⅱ源码 简介 LOAM_Livox是港大开源的关于大疆的传感器Livox的mid-40和mid-100所写的建图框架，大致的思路和LOAM差不多，也是基于特征点提取角点和平面点，并通过Ceres优化来进行配准，里面有很多细节和LOAM不一样。 相关资源 源码 https://github.com/hku-mars/loam_...
大疆Livox Mid-40 SLAM
qq_39328223的博客
09-01 8439
原博主琨特，本人便于学习写到了自己的账号下，见谅。 介绍基于Livox三维激光雷达和开源LOAM-Livox进行定位和建图实验。 目录 1、简介 1.1 Livox Mid-40三维激光雷达 1.2 基于LOAM-Livox的SLAM开源方案 2、Livox Mid-40驱动安装 2.1 编译和安装Livox SDK 2.2 Livox ROS Driver驱动安装 2.3 运行Livox ROS Driver驱动 3、LOAM-Livox开源方案编译 3.1 需要的环境和库 3.2 LOAM-Livox构
ICRA2020论文整理（SLAM + Deep Learning）
Spacegene的博客
07-20 1万+
参考:https://github.com/PaoPaoRobot/ICRA2020-paper-list Table of Contents: 1. SLAM 2. Deep Learning in Robotics and Automation 3.Localization 4. Sensor Fusion 5. Calibration and Identification 6. Semantic Scene Understanding 7. Reinforcement Learn...
2025年12月GESP(C++一级): 手机电量显示
王老师青少年编程
12-31 1253
2025年12月GESP(C++一级): 手机电量显示
STL中的map和set：红黑树的优雅应用
最新发布
2302_80357424的博客
12-31 449
一篇精文带你速用并理解map和set！
csp信奥赛C++标准模板库STL案例应用25
王老师青少年编程
12-30 850
csp信奥赛C++标准模板库STL案例应用25
C/C++中的signed char和unsigned char详解
qq_40170041的博客
12-31 393
char的符号性：默认char的符号性由实现定义，不可移植数值范围: -128 到 127: 0 到 255使用场景ASCII字符：使用char大数值(>127)：使用二进制数据：使用需要负值：使用最佳实践：明确指定符号性以提高代码可移植性这个全面的示例展示了和的区别、使用场景和最佳实践，帮助您在不同情况下做出正确的类型选择。
LOAM: Lidar Odometry and Mapping in Real-time（Ji Zhang, 2014）
05-09
<think>嗯，用户想了解LOAM算法的详细信息及其在实时环境中的应用，特别是2014年Ji Zhang的那篇论文。首先，我需要回忆一下LOAM的基本原理和结构。根据引用[1]，LOAM分为前端里程计和后端建图两个部分，前端负责高频低精度的运动估计，后端低频高精度优化。这样分工降低了计算复杂度，实现实时性。 用户可能想知道LOAM是如何解决激光雷达在快速移动中的点云畸变问题的。引用[5]提到LOAM处理雷达快速移动导致的畸变，通过分两个算法来处理。需要解释前端和后端的具体步骤，比如特征提取、运动估计和地图匹配。可能还需要提到时间戳补偿，如引用[2]中提到的匀速运动假设，这样可以在不同时间接收的数据中进行运动补偿，减少畸变。 另外，用户可能对LOAM的创新点感兴趣，比如特征分类（边缘和平面特征）以及扫描匹配策略。引用[4]对比了其他方法，指出LOAM不需要IMU或高精度里程计，实时性更好。这里需要强调LOAM如何利用激光雷达的扫描模式，优化特征匹配，从而在保证精度的同时降低计算量。 实时应用方面，引用[1]和[3]提到LOAM在KITTI基准测试中的表现，说明其可以达到离线批处理的精度。可能需要举例说明实际应用场景，比如自动驾驶中的导航和环境建模。此外，引用[4]提到Bosse和Zlot的方法需要批处理，而LOAM实时生成地图，适合需要即时反馈的场景。 用户可能还想了解LOAM的优缺点。优点包括低漂移、实时性，缺点可能是对运动假设的依赖，比如假设匀速运动，这在有突变的情况下可能影响精度。此外，特征提取在不同环境下的稳定性也是一个考量点。 最后，生成相关问题时要覆盖算法原理、优化、对比、应用场景和挑战。比如询问如何处理动态环境，或者与其他传感器融合的方法。需要确保问题能引导用户更深入理解LOAM的各个方面。</think>### LOAM激光雷达里程计与建图算法详解 LOAM（Lidar Odometry and Mapping）是Ji Zhang等人于2014年提出的实时激光SLAM算法，通过特征匹配和双频架构解决运动畸变问题[^1]。其核心思想是将复杂的SLAM问题分解为高频低精度的里程计和低频高精度的建图两个模块（图8）[^3]。 #### 一、算法核心架构 1. **前端（Lidar Odometry）** - **特征提取**：根据曲率筛选边缘特征（sharp edge）和平面特征（planar surface） - **运动估计**：以10Hz频率通过ICP匹配相邻帧特征，建立点-线/点-面约束方程 - **时间戳补偿**：利用匀速运动假设修正点云畸变[^2] 2. **后端（Lidar Mapping）** - **地图匹配**：以1Hz频率将累积的点云与全局地图配准 - **位姿优化**：使用Levenberg-Marquardt算法求解非线性最小二乘问题 - **地图更新**：保留稀疏特征点云降低存储需求 $$ \min_{T} \sum_{i=1}^{n}||d(T\cdot p_i, \mathcal{M})||^2 $$ 其中$T$为变换矩阵，$p_i$为特征点，$\mathcal{M}$为地图模型[^1] #### 二、实时性实现关键 1. **双频架构**：通过前端的快速响应（200ms/帧）和后端的精细优化（1s/帧）平衡计算负载 2. **特征选择策略**：保留2%边缘特征和4%平面特征，减少匹配计算量 3. **运动模型约束**：假设车辆匀速运动简化状态估计[^2] 4. **数据结构优化**：采用k-d树加速最近邻搜索 #### 三、性能评估 在KITTI数据集测试中，LOAM的平移误差小于1%，旋转误差小于0.01deg/m，达到离线批处理方法精度（表1）[^1]。相比需要IMU辅助的Zebedee系统[^4]，LOAM仅用单线激光雷达即可实现相同建图质量。 #### 四、实际应用场景 1. 自动驾驶车辆定位导航（KITTI测试场景） 2. 无人机室内外环境建模 3. 工业机器人动态路径规划 4. 地下矿井三维重建[^4] ```cpp // 特征提取伪代码示例 for each laser scan line: calculate point curvature c = Σ|p_i - p_j|^2 sort c in descending order select top 2% as edge features select top 4% flat regions as plane features ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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