方法一

激光雷達分單線和多線這兩大類，針對這兩類Lidar所使用的算法也不盡相同。 首先單線雷達一般應用在平面運動場景，多線雷達則可以應用于三維運動場景。

2D Lidar SLAM

一般將使用單線雷達建構二維地圖的SLAM算法，稱為2D Lidar SLAM。大家熟知的2D Lidar SLAM算法有：gmapping, hector, karto, cartographer。通常數據和運動都限制在2D平面內且運動平面與激光掃描平面平行。

gmapping[1]

基于粒子濾波的2D激光雷達SLAM，構建二維柵格地圖。融合里程計信息，沒有回環檢測。 優點是在小場景中，計算量小，速度較快。 缺點是每個粒子都攜帶一幅地圖，無法應對大場景（內存和計算量巨大）；如果里程不準或標定參數不準，在長回廊等環境中容易把圖建歪。

hector[2]

hector SLAM是完全基于scan-matching的，使用迭代優化的方法來求匹配的最佳位置，為避免陷入局部極值，也采用多分辨率的地圖匹配。 由于完全依賴于scan matching，要求雷達的測量精度較高、角度范圍大，掃描速度較高（或移動速度慢）。噪聲多、邊角特征點少的場景就很容易失敗。 原文所提出方法的特點還在于，加入IMU，使用EKF估計整體的6DoF位姿，并根據roll, pitch角將激光掃描數據投影到XY平面，因而支持激光雷達有一定程度的傾斜，比如手持或機器人運動在不是很平整的地面上。

karto[3][4]

karto是基于scan-matching，回環檢測和圖優化SLAM算法，采用SPA（Sparse Pose Adjustment）進行優化。 關于karto 和 cartographer 的比較，可以看看這里：https://blog.csdn.net/hzy925/article/details/78857241

cartographer[5][6]

cartographer是谷歌開源的激光SLAM框架，主要特點在于： 1.引入submap，scan to submap matching，新到的一幀數據與最近的submap匹配，放到最優位置上。如果不再有新的scan更新到最近的submap，再封存該submap，再去創建新的submap。 2.回環檢測和優化。利用submap和當前scan作回環檢測，如果當前scan與已經創建的submap在距離上足夠近，則進行回環檢測。檢測到回環之后用ceres進行優化，調整submap之間的相對位姿。為了加快回環檢測，采用分枝定界法。 cartographer也可以應用于3D Lidar SLAM（我還沒試過），不過最出名的還是她在2D Lidar SLAM方面的出色表現，畢竟論文標題就是“Real-time loop closure in 2D LIDAR SLAM”。

3D Lidar SLAM

3D Lidar SLAM主要是針對多線雷達的SLAM算法。比較出名的有LOAM, LeGO-LOAM, LOAM-livox等。

LOAM[7]

LOAM是針對多線激光雷達的SLAM算法，主要特點在于：1) 前端抽取平面點和邊緣點，然后利用scan-to-scan的匹配來計算幀間位姿，也就形成了里程計；2) 由估計的幀間運動，對scan中的每一個點進行運動補償；3) 生成map時，利用里程計的信息作為submap-to-map的初始估計，再在利用submap和map之間的匹配做一次優化。 LOAM提出的年代較早（2014），還沒有加入回環優化。 關于LOAM的詳細解析，可以參考這篇專欄文章： https://zhuanlan.zhihu.com/p/111388877ALOAM[8]是Advanced implementation of LOAM，使用Eigen和ceres-solver簡化代碼實現。

LeGO-LOAM[9]

LeGO-LOAM在LOAM的基礎上主要改進：1) 地面點分割，點云聚類去噪；2）添加了ICP回環檢測和gtsam優化。 關于LeGO-LOAM的詳細解析，可以查看這個專欄文章： https://zhuanlan.zhihu.com/p/115986186

LOAM_livox[10]

大疆2019年公布的面向小FOV Lidar的LOAM算法。相比LOAM，做了一些改動。算法的特點： 1.添加策略提取更魯棒的特征點：a) 忽略視角邊緣有畸變的區域; b) 剔除反射強度過大或過小的點 ; c) 剔除射線方向與所在平臺夾角過小的點; d) 部分被遮擋的點 2.與LOAM一樣，有運動補償 3.里程計中剔除相對位姿解算后匹配度不高的點（比如運動物體）之后，再優化一次求解相對位姿。

視覺和Lidar 融合的SLAM算法

VLOAM[11]

VLOAM 是視覺和激光雷達緊耦合的方案。

視覺里程計部分，圖像幀之間的相對位姿估計以60Hz運行。先抽取和匹配圖像特征，雷達點云融合成深度地圖，再將深度地圖與視覺特征點關聯起來，以幫助計算兩幀之間的相對位姿。 雷達里程計部分，將1s內的數據作為一個完整掃描 sweep。Sweep-to-Sweep refinement模塊優化求解兩個sweep之間的相對運動并去除運動畸變，Sweep-to-Map Registration模塊將局部點云注冊到已經構建的地圖上面。 Transform Integration模塊則結合兩個里程計，以視覺里程計的高幀率輸出位姿估計。 待補充 。。。

參考

1.Grisetti, G., et al. (2007). "Improved techniques for grid mapping with rao-blackwellized particle filters." 23(1): 34-46. 2.Kohlbrecher, S., et al. (2011). A flexible and scalable slam system with full 3d motion estimation. 2011 IEEE international symposium on safety, security, and rescue robotics, IEEE. 3.https://github.com/ros-perception/slam_karto 4.https://github.com/skasperski/OpenKarto 5.https://github.com/cartographer-project/cartographer 6.Hess, W., et al. (2016). Real-time loop closure in 2D LIDAR SLAM. Robotics and Automation (ICRA), 2016 IEEE International Conference on, IEEE. 7.Zhang, J. and S. Singh (2014). LOAM: Lidar Odometry and Mappingin Real-time. Robotics: Science and Systems. 8.https://github.com/HKUST-Aerial-Robotics/A-LOAM 9.Shan, T. and B. Englot (2018). Lego-loam: Lightweight and ground-optimized lidar odometry and mapping on variable terrain. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE. 10.Lin, J. and F. Zhang (2020). Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV. 2020 IEEE International Conference on Robotics and Automation (ICRA), IEEE. 11.Zhang, J. and S. Singh (2015). Visual-lidar odometry and mapping: Low-drift, robust, and fast. 2015 IEEE International Conference on Robotics and Automation (ICRA), IEEE.

方法二

2D：效果最好的應當是Google的Cartographer，此外還有基于粒子濾波的gmapping，基于優化的hector slam等等。 3D領域： 經典的LOAM（A-LOAM），用特征點：planar points & edge points 來進行幀間匹配，無回環 LeGO-LOAM ICP 的方法加入了回環，用于減小漂移，一致性更強 G-LOAM 引入 GPS 作為新增的位姿約束,用 Levenberg-Marquardt 方法優化位姿圖 LOAM-Livox （HKU Mars Lab）一套可用于固態激光雷達的SLAM算法 Fast-LIO （HKU Mars Lab），一套可用于無人機的基于EKF的雷達慣導里程計

責任編輯：lq