jiajiading的博客

hdl-graph-slam思想解读（5）-总结

hdl-graph-slam思想解读（3）-后端处理

hdl-graph-slam思想解读（1）-整体框架 功能介绍点云预处理平面检测激光里程计其他后端融合hdl-graph-slam是一个较为经典的3d 激光slam开源算法，其代码架构简洁，且调用通用Eigen和g2o库进行核心运算，非常适合对slam整个架构的学习。hdl-graph-slam不仅融合了imu、gps、平面、激光等多种输入，同时也带闭环检测等后端处理，即完整的一个slam架构。功能介绍hdl-graph-slam是一个非常优秀的SLAM框架，其功能较为全面（但不一定最优），包括平面

lego-loam 同步构建2d栅格导航地图 基于目前移动机器人的应用可知，目前3d slam存储的主要为点云地图，由于其特征点比2D激光器数据更加丰富，因此用于后期的定位具有更好的抗干扰性和鲁棒性。但是用于导航的基本路径规划功能，目前仍主要依赖于2d栅格地图。其中16年开源的cartographer的3dslam则同步发布了2d map格式，而存储的点云也是基于stream自定义格式，而不是传统的点云地图。因此定位时可直接使用3d定位结果，2d地图结果进行导航。本文参考cartographer中2d

lego-loam代码分析（4）-mapping流程 run主流程transformAssociateToMap提取submap（extractSurroundingKeyFrames）非闭环处理闭环处理当前帧降采样（downsampleCurrentScan）run主流程整个mapping为一个独立线程完成，通过输入的传感器信息：特征点云和odometry两个信息，进行mapping；其程序入口为void MapOptimization::run() {}其整个slam流程如下：当前帧根据o

lego-loam代码分析（3）-激光里程计匹配初始化两次LM匹配平面匹配角点匹配上节分析了其点云特征提取，目的是用于帧间匹配获取激光里程计。而像常见的点云匹配如NDT、ICP等匹配算法，均是对整个点云进行匹配。而loam为提高效率和实时性，则采用特征点进行匹配。匹配初始化由于激光里程计相临两帧点云进行匹配获取，即当前帧与上一帧进行匹配，故开启slam收到的第一帧点云数据则需要对cloud_last进行赋值，即对上一帧进行记录和存储，不做匹配运算。 pcl::PointCloud<Point

lego-loam代码分析（2）-角点和平面点提取坐标修正（adjustDistortion）计算平滑参数 （calculateSmoothness）点云屏蔽标记（markOccludedPoints）平面点和角点提取 extractFeatures（）角点特征点提取地平面特征点提取相对较平的平面点云总结FeatureAssociation.cpp同样为独立线程，主要功能是根据带有聚类后地面和非地面的点云数据进行特征值提取，主要提取其平面特征、角点特征；同时采用匹配算法计算前后两帧激光视角下的位姿转换；从

lego-loam代码分析（1）-地面提取和点云类聚概述imageProjecion.cpp获取点云角度范围 （findStartEndAngle()）无序的点云变为有序（projectPointCloud()）地面分割groundRemoval()点云聚类（cloudSegmentation）点云发布概述目前最新开源的3d slam算法lego-loam，为loam的改进版。同时另有高人进行了工程优化。其原作者github其工程优化的github个人对其工程优化后的代码和原理进行了基本分析；包