jjjqqq123321的博客

LIO-SAM:闭环线程

SLAM基础-因子图优化和gtsam应用

非线性优化-高斯牛顿法

刚接触了IMU传感器，除了IMU预积分的相关知识外，关于IMU的另一个重要知识点就是IMU的初始化。IMU为什么需要初始化？IMU初始化是为了获得重力方向和IMU零偏的初始值。有了正确的重力方向才能消除IMU预积分中加速度计关于重力的影响，得到的IMU预积分数据才能保证准确。

此处IMU里程计是以IMU的频率向外发送位姿估计，提高了SLAM系统里程计的发送频率。1.利用当前帧Lidar里程计作为起点，结合IMU预积分，得到IMU里程计信息。4.利用IMU的YPR值对scan-to-map之后的雷达里程计位姿作加权融合。3.利用IMU里程计信息对Lidar每帧点云的位姿作初始化（粗略估计）。2.利用IMU预积分对Lidar每帧点云进行运动去畸变。

增量式里程计是一个平滑的结果不会有大幅度的位姿跳跃，适用于因子图优化时，帧间的位姿变换对imu预积分的约束。LIO-SAM在后端中同时维护着两个里程计，一个是增量式里程计，一个是优化后的里程计，其中优化后的里程计是经过imu、回环、gps因子图联合优化后的结果，是整个系统中最准确的位姿估计，那么为什么还需要维护增量式里程计呢？因此我认为，如果不需要更新IMU偏置，在LIO-SAM中完全可以不维护增量式里程计，直接使用后端优化后的位姿联合IMU帧间的预积分结果，就可以发送最终的imu里程计信息。

传感器发布信息的所有话题（topic）和消息类型如下。

这里比较一下视觉SLAM和激光SLAM的区别，仅比较其在特征提取和匹配上的一些不同，这里拿视觉SLAM算法：ORB-SLAM系列和激光SLAM算法：LOAM系列对比。

LIO-SAM：Livox-Mid-360点云适配

LIO-SAM中源代码使用的9轴IMU，在这里我们想要LIO-SAM代码适配6轴IMU，首先我们要了解9轴IMU和6轴IMU区别是什么？6轴IMU能够测量的量有：xyz方向上的线角速度和xyz方向上的角速度，9轴IMU能够测量的量有：xyz方向上的线角速度、xyz方向上的角速度和当前时刻IMU的RPY值（欧拉角）。因此在9轴IMU中，欧拉角可以通过两种方式获取直接从传感器测量的原始数据计算得到的欧拉角（即RPY值），或者通过对传感器的测量数据进行积分得到的欧拉角（即预积分欧拉角而6轴IMU中，

LIO-SAM后端优化部分写在了mapOptimization.cpp文件中，本部分主要进行了激光帧的scan-to-map匹配，回环检测以及关键帧的因子图优化。本部分主要有两个环节同步进行，一个单独开辟了回环检测线程，另外一个是lidar数据的回调函数。1、scan-to-map匹配：提取当前激光帧特征点（角点、平面点），局部关键帧map的特征点，执行scan-to-map迭代优化，更新当前帧位姿；

LIO-SAM中ImageProjection类和featureExtraction类的内容比较简单，这里就放在一起记录，这两部分属于点云的预处理前端，ImageProjection用来点云的运动去畸变和为每帧点云位姿进行粗略初始化，featureExtraction类用来提取特征点，包括角点和面点。

LIO-SAM是一个多传感器融合的紧耦合SLAM框架，融合的传感器类型有雷达、IMU和GPS，其中雷达和IMU在LIO-SAM框架中必须使用的。LIO-SAM的优化策略采用了GTSAM库，GTSAM库采用了因子图的优化方法，其提供了一些列C++的外部接口，以便用户方便传入参数等进行优化。特别的是GTSAM库专门单独设计关于IMU计算与优化的接口。

逐句注释加解析，超详细

LOAM论文阅读笔记自看！！！