1 前言

LOAM, 即Lidar Odometry and Mapping，是 Ji Zhang 博士于2014年提出的使用激光雷達完成定位與三維建圖的算法。其算法流程如下：

LOAM算法中主要包含兩個模塊，一個是Lidar Odometry：基于輸入點云提取出角點與平面點作為特征點進行關聯(lián)匹配，計算出兩次掃描之間的位姿變換，計算頻率為10HZ；

為了減緩單幀點云位姿變換產(chǎn)生的累計誤差，設計了Lidar Mapping 的部分。即將與前一幀配準后的點云與生成的地圖進行二次配準，消除漂移。

由于作者編寫的LOAM代碼已經(jīng)閉源，目前網(wǎng)上存在著一些代碼的復現(xiàn)版本，本文對這些復現(xiàn)版本進行了匯總，并概括說明了各個版本代碼的特點，供正在學習LOAM相關算法的同學進行參考。

2 基于LOAM框架的開源激光SLAM算法

(1) loam_velodyne

代碼鏈接如下：

laboshinl/loam_velodyne: Laser Odometry and Mapping (Loam) is a realtime method for state estimation and mapping using a 3D lidar. (github.com)：https://github.com/laboshinl/loam_velodyne

該代碼程序為按照LOAM論文復現(xiàn)的原生代碼，特點是 基于ROS框架，可直接適用于velodyne-16線激光雷達的建圖。對于想學習ROS使用的同學，可以從中了解到如何利用ROS進行消息的接收與發(fā)布，如何通過ROS中的tf完成坐標系之間的轉(zhuǎn)換。

算法中涉及到的數(shù)學公式如非線性優(yōu)化，并未采用已有的開源庫，而是手工一步步推導，需要一定數(shù)學基礎理解代碼。，但通過代碼的學習可以加深對公式的理解。

對于上述代碼，網(wǎng)上也存在含有中文注釋的版本，代碼鏈接如下：

cuitaixiang/LOAM_NOTED: loam code noted in Chinese（loam中文注解版） (github.com)：https://github.com/cuitaixiang/LOAM_NOTED

（2) A-LOAM

代碼鏈接如下：

HKUST-Aerial-Robotics/A-LOAM: Advanced implementation of LOAM (github.com)：https://github.com/HKUST-Aerial-Robotics/A-LOAM

利用了Ceres庫提供的非線性優(yōu)化函數(shù)，完成了L-M算法中雅克比的推導，去除了IMU數(shù)據(jù)的引入。整體代碼更加規(guī)范整潔，非常適合學習LOAM思想，也適合新手入門3D激光SLAM。

（3）oh_my_loam

代碼鏈接如下：

feixyz10/oh_my_loam: ROS-free implementation of LOAM (github.com)：https://github.com/feixyz10/oh_my_loam

脫離了ROS環(huán)境實現(xiàn)了LOAM，數(shù)據(jù)通過函數(shù)參數(shù)進行傳入傳出，整體代碼設計十分整潔，適合想要搭建屬于自己的激光SLAM程序的同學進行借鑒。

（4） loam_livox

代碼鏈接如下：

hku-mars/loam_livox: A robust LiDAR Odometry and Mapping (LOAM) package for Livox-LiDAR (github.com)：https://github.com/hku-mars/loam_livox

利用livox固態(tài)激光雷達，基于LOAM的思想，設計出的算法。因此同樣地，基于livox數(shù)據(jù)進行了特征點提取，特征點的匹配和殘差計算與LOAM一致。同時利用Ceres庫優(yōu)化了殘差。

（5） LEGO-LOAM

代碼鏈接如下：

irapkaist/SC-LeGO-LOAM: LiDAR SLAM: Scan Context + LeGO-LOAM (github.com)：https://github.com/irapkaist/SC-LeGO-LOAM

在LOAM的基礎上，做了很大的優(yōu)化。其算法流程為：

整個算法分為五個模塊。首先對單幀點云進行Segmentation：將其投影為一副1800*16的圖像上，每一個收到的點代表一個像素。提取出地面點聚類，并將非地面點分組為多個聚類，每個聚類的點云具有一致的標簽。

與LOAM近似的方式提取出角點和平面點。在Lidar Odometry的環(huán)節(jié)中，選取具有一致標簽的點云進行匹配。例如平面點只考慮標記為地面點的點，邊緣點只考慮其他標記大物體的點，以此提升匹配速度。采用兩步L-M優(yōu)化得到前后幀點云的位姿變換。通過配準平面點得到[tz, roll, pitch], 通過配準角點來估計[tx, ty, yaw]。在Lidar Mapping 環(huán)節(jié)，將特征點與周圍點云圖配準，同時增添了圖優(yōu)化和回環(huán)檢測，進一步優(yōu)化位姿變換，減少漂移。

相應的，網(wǎng)上也存在著其中文注釋版本

wykxwyc/LeGO-LOAM_NOTED: LeGO-LOAM代碼注釋與學習 (github.com)：https://github.com/wykxwyc/LeGO-LOAM_NOTED

（6） SC-LEGO-LOAM

代碼鏈接如下：

irapkaist/SC-LeGO-LOAM: LiDAR SLAM: Scan Context + LeGO-LOAM (github.com)：https://github.com/irapkaist/SC-LeGO-LOAM

SC-LEGO-LOAM 融合了ScanContext 與 LEGO-LOAM，其中ScanContext是一種點云數(shù)據(jù)的全局描述符，其提取方法如下：

由于回環(huán)檢測（場景識別）= 場景描述 + 搜索， Scan context 的作用是作為描述符來描述點云數(shù)據(jù)，其搜索算法可以保證回環(huán)能夠被快速檢測出來。因此將ScanContext應用到LEGO-LOAM的回環(huán)檢測部分，提高回環(huán)的速度和準確性。

3 一些學習建議

對于初學者而言，為了掌握LOAM的框架算法，可以在閱讀論文了解原理后，優(yōu)先對A-LOAM代碼進行閱讀和理解，快速掌握算法實現(xiàn)的流程。在熟悉LOAM算法框架后，工程實踐中，LEGO-LOAM在自動駕駛領域的建圖中應用較多，因此可以重點對LEGO-LOAM進行學習，并再此基礎上提出自己的改進并進行實驗。