LIO-SAM框架梳理

LIO-SAM

LIO-SAM 是一款优秀的紧耦合SLAM方案，其性能比loam系列更优异。在这套方案中，topic 十分的繁多，$\therefore$ 梳理该方案 topic 之间的逻辑，有助于理解整套方案.

(本文使用 sequence diagram 展示 LIO-SAM 框架，主要目的是把框架梳理清晰，很多表示方法不是很有道理，会结合文字作进一步说明)

> overall

先上整体框架

/odometry/imu_incremental: 在 imuPreintegration 节点下 IMUPreintegration类, 基于gtsam 积分器(Integrator) 预测出的 imu 状态

/odometry/imu: /mapping/odometry + incremental IMU : 在 imuPreintegration 节点下 TransformFusion类，基于当前状态最佳估计，给出的全局一致下的 imu 状态

/mapping/odometry_incremental: 基于当前状态的最佳帧间估计，每优化出一帧，即进行累加

/mapping/odometry: 当前状态最佳估计

/odometry/imu(odomTopic): 在 imuPreintegration 节点下 TransformFusion类, 使用经优化后的帧间增量里程计信息，预测当前的imu状态

> /odometry/imu_incremental

分析:
  每来一帧imu数据，使用gtsam提供的积分器，预测当前imu时刻下的状态
$\Rightarrow$ /odometry/imu_incremental 是整个系统 最早发出的 msg, $\therefore$ 能为其他节点提供预测信息

应用:

• 1 预测全局一致下的 imu 位姿((publish /odometry/imu in TransformFusion())
• 2 在 imageProjection 节点中，为使用odometry 获取畸变矫正量提供预测 (odomDeskewInfo())

note: 在 imuPreintegration Node中，使用了两个积分器，其一为预测更前当前状态时使用，其二为根据最新的imu 状态进行传播时使用

• gtsam::PreintegratedImuMeasurements *imuIntegratorOpt_;
• gtsam::PreintegratedImuMeasurements *imuIntegratorImu_;,

> /odometry/imu

TranformFusion() in imuPreintegration Node)

分析:
mapOptimization 节点优化后的帧间里程计信息 (/mapping/odometry_incremental) 结合高频的 imu msg, 实现全局一致下的 imu 状态预测

> /mapping/odometry_incremental

main function: 计算出当前帧最优估计后，输出增量里程计信息

application: 为预积分节点中预测更新系统状态，提供先验位姿信息(IMUPreintegration()::odometryHandler())