专栏名称: 计算机视觉工坊

专注于计算机视觉、VSLAM、目标检测、语义分割、自动驾驶、深度学习、AI芯片、产品落地等技术干货及前沿paper分享。这是一个由多个大厂算法研究人员和知名高校博士创立的平台，我们坚持工坊精神，做最有价值的事~

导师给我的课题是激光SLAM，应该如何入门？

计算机视觉工坊 · 公众号 · · 2024-10-30 17:44

正文

点击上方“ 计算机视觉工坊 ”，选择“星标”

干货第一时间送达

内容来自知乎，「计算机视觉工坊」整理，如有侵权请联系删除 https://www.zhihu.com/question/52634751

作者：清风

周末在家把2D和3D SLAM自己动手写了一遍，先放代码和效果.

https://github.com/libing64/slam2dgithub.com/libing64/slam2d

https://github.com/libing64/lidar_pose_estimatorgithub.com/libing64/lidar_pose_estimator

1、2D SLAM

2D SLAM一般都是基于scan-to-scan match然后位置积分，比如ICP或者PLICP等，然后做mapping，后端为了减少drift会加scan-to-map对齐或者map-to-map对齐。

自己实现的这一版，参考了目前主流的SLAM算法，写代码时也加入自己的一些想法和理解。

scan-to-scan match使用了Point-Line ICP, 理论上收敛速度更快，参考An ICP variant using a point-to-line metric，不过在实现时直接用ceres优化求解的相对位姿, 代码非常简洁。

scan-to-scan match的结果如果直接积分， drift会很快，加入scan-to-map对齐来减少drift，参考hector-mapping中的方法A flexible and Scalable SLAM System with Full 3D motion Estimation，没有用高斯牛顿法，而是直接搞了一个局部最优的搜索，给一个random的方向，然后该方向找个最优解，多尝试几次可以认为就到了局部最优。降低drift效果很明显。

update map这一步比较直接，由于位置经过了scan-to-map的修正，这里直接往地图上投影就好了.

2、3D Lidar SLAM

LOAM: Lidar Odometry and Mapping in Real-time非常经典，github上ALOAM的开源实现很漂亮，我也借鉴了ALOAM中使用ceres来求解非线性优化，总体还是按照LOAM文章里的过程来写。

本来3D 点云的对齐是非常慢的事情，LOAM使用edge point和planar point实现了实时的计算，目前我也只写了scan-to-scan match和积分，mapping部分还在学习.