1 前言
LOAM， 即Lidar Odometry and Mapping，是 Ji Zhang 博士於2014年提出的使用鐳射雷達完成定位與三維建圖的演算法。其演算法流程如下：
LOAM演算法中主要包含兩個模組，一個是Lidar Odometry：基於輸入點雲提取出角點與平面點作為特徵點進行關聯匹配，計算出兩次掃描之間的位姿變換，計算頻率為10HZ；
為了減緩單幀點雲位姿變換產生的累計誤差，設計了Lidar Mapping 的部分。即將與前一幀配準後的點雲與生成的地圖進行二次配準，消除漂移。
由於作者編寫的LOAM程式碼已經閉源，目前網上存在著一些程式碼的復現版本，本文對這些復現版本進行了彙總，並概括說明了各個版本程式碼的特點，供正在學習LOAM相關演算法的同學進行參考。
2 基於LOAM框架的開源鐳射SLAM演算法
(1) loam_velodyne
程式碼連結如下：
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
該程式碼程式為按照LOAM論文復現的原生程式碼，特點是 基於ROS框架，可直接適用於velodyne-16線鐳射雷達的建圖。對於想學習ROS使用的同學，可以從中瞭解到如何利用ROS進行訊息的接收與釋出，如何透過ROS中的tf完成座標系之間的轉換。
演算法中涉及到的數學公式如非線性最佳化，並未採用已有的開源庫，而是手工一步步推導，需要一定數學基礎理解程式碼。，但透過程式碼的學習可以加深對公式的理解。
對於上述程式碼，網上也存在含有中文註釋的版本，程式碼連結如下：
cuitaixiang/LOAM_NOTED： loam code noted in Chinese（loam中文註解版） （github。com）：https：//github。com/cuitaixiang/LOAM_NOTED
（2) A-LOAM
程式碼連結如下：
HKUST-Aerial-Robotics/A-LOAM： Advanced implementation of LOAM （github。com）：https：//github。com/HKUST-Aerial-Robotics/A-LOAM
利用了Ceres庫提供的非線性最佳化函式，完成了L-M演算法中雅克比的推導，去除了IMU資料的引入。整體程式碼更加規範整潔，非常適合學習LOAM思想，也適合新手入門3D鐳射SLAM。
（3）oh_my_loam
程式碼連結如下：
feixyz10/oh_my_loam： ROS-free implementation of LOAM （github。com）：https：//github。com/feixyz10/oh_my_loam
脫離了ROS環境實現了LOAM，資料透過函式引數進行傳入傳出，整體程式碼設計十分整潔，適合想要搭建屬於自己的鐳射SLAM程式的同學進行借鑑。
（4） loam_livox
程式碼連結如下：
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固態鐳射雷達，基於LOAM的思想，設計出的演算法。因此同樣地，基於livox資料進行了特徵點提取，特徵點的匹配和殘差計算與LOAM一致。同時利用Ceres庫優化了殘差。
（5） LEGO-LOAM
程式碼連結如下：
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，做了很大的最佳化。其演算法流程為：
整個演算法分為五個模組。首先對單幀點雲進行Segmentation：將其投影為一副1800*16的影象上，每一個收到的點代表一個畫素。提取出地面點聚類，並將非地面點分組為多個聚類，每個聚類的點雲具有一致的標籤。
與LOAM近似的方式提取出角點和平面點。在Lidar Odometry的環節中，選取具有一致標籤的點雲進行匹配。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。採用兩步L-M最佳化得到前後幀點雲的位姿變換。透過配準平面點得到［tz， roll， pitch］， 透過配準角點來估計［tx， ty， yaw］。在Lidar Mapping 環節，將特徵點與周圍點雲圖配準，同時增添了圖最佳化和迴環檢測，進一步最佳化位姿變換，減少漂移。
相應的，網上也存在著其中文註釋版本
wykxwyc/LeGO-LOAM_NOTED： LeGO-LOAM程式碼註釋與學習 （github。com）：https：//github。com/wykxwyc/LeGO-LOAM_NOTED
（6） SC-LEGO-LOAM
程式碼連結如下：
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是一種點雲資料的全域性描述符，其提取方法如下：
由於迴環檢測（場景識別）= 場景描述 + 搜尋， Scan context 的作用是作為描述符來描述點雲資料，其搜尋演算法可以保證迴環能夠被快速檢測出來。因此將ScanContext應用到LEGO-LOAM的迴環檢測部分，提高迴環的速度和準確性。
3 一些學習建議
對於初學者而言，為了掌握LOAM的框架演算法，可以在閱讀論文了解原理後，優先對A-LOAM程式碼進行閱讀和理解，快速掌握演算法實現的流程。在熟悉LOAM演算法框架後，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，並再此基礎上提出自己的改進並進行實驗。
編者注：
這裡也推薦下本文作者精心籌備的
徹底搞懂基於LOAM框架的3D鐳射SLAM: 原始碼剖析到演算法最佳化
影片課程：
https：//app0s6nfqrg6303。h5。xiaoeknow。com/v1/course/column/p_60be2648e4b0f120ffc51662？type=3