LOAM框架分析算法简介1激光里程计(高频率)1.1计算曲率1.2筛选特征1.3问题建模1.3.1损失函数1.3.2运动补偿1.4优化求解1.5定位输出2环境建图(低频率)2.1问题模型2.2PCA特征参考文献算法简介LOAM的整体思想就是将复杂的SLAM问题分为：1.高频的运动估计(10HZ)2.低频的环境建图(1HZ)。在运动估计中采用scan-to-scan方式，同时对点云进行了计算曲率，筛选线面特征,降低匹配数据量,通过点到线和点到面构造误差函数，在求解变换关系前，通过匀速假设构造线性插值关系，对点云进行运动补偿后用非线性优化LM求解匹配;在环境建图中采用map-to-map方式匹配，
LOAM框架分析算法简介1激光里程计(高频率)1.1计算曲率1.2筛选特征1.3问题建模1.3.1损失函数1.3.2运动补偿1.4优化求解1.5定位输出2环境建图(低频率)2.1问题模型2.2PCA特征参考文献算法简介LOAM的整体思想就是将复杂的SLAM问题分为：1.高频的运动估计(10HZ)2.低频的环境建图(1HZ)。在运动估计中采用scan-to-scan方式，同时对点云进行了计算曲率，筛选线面特征,降低匹配数据量,通过点到线和点到面构造误差函数，在求解变换关系前，通过匀速假设构造线性插值关系，对点云进行运动补偿后用非线性优化LM求解匹配;在环境建图中采用map-to-map方式匹配，
Citations：F.Wimbauer,N.Yang,L.vonStumberg,etal.MonoRec:Semi-SupervisedDenseReconstructioninDynamicEnvironmentsfromaSingleMovingCamera[C].2021IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR).Nashville,TN,USA.2021:6108-6118.Keywords：Training,Costs,Three-dimensionaldisplays,Volumemeasureme
Citations：F.Wimbauer,N.Yang,L.vonStumberg,etal.MonoRec:Semi-SupervisedDenseReconstructioninDynamicEnvironmentsfromaSingleMovingCamera[C].2021IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR).Nashville,TN,USA.2021:6108-6118.Keywords：Training,Costs,Three-dimensionaldisplays,Volumemeasureme
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础 7.1SLAM发展简史 7.2SLAM中的概率理论 7.3估计理论 7.4基于贝叶斯网络的状态估计 7.5基于因子图的状态估计 7.6SFM、BA和SLAM比较 7.7典型SLAM算法第8章-激光SLAM系统第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础 7.1SLAM发展简史 7.2SLAM中的概率理论 7.3估计理论 7.4基于贝叶斯网络的状态估计 7.5基于因子图的状态估计 7.6SFM、BA和SLAM比较 7.7典型SLAM算法第8章-激光SLAM系统第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
通用的代价地图配置参数: costmap_common_params.yamlmax_obstacle_height:2.0#传感器读数的最大有效高度，单位为meters;#通常设置为略高于机器人的实际高度，高度是指包含机械臂打直情况下的最大高度。#robot_radius:0.4#如果机器人圆形的，注释下面的一行，开启这个footprint:[[-0.133,-0.125],[-0.133,0.125],[0.133,0.125],[0.133,-0.125]]#[[x0,y0],[x1,y1],...[xn,yn]]#当机器人非圆形时，先找机器人的旋转中心，即两个轮的中心点设置成(0,0)
通用的代价地图配置参数: costmap_common_params.yamlmax_obstacle_height:2.0#传感器读数的最大有效高度，单位为meters;#通常设置为略高于机器人的实际高度，高度是指包含机械臂打直情况下的最大高度。#robot_radius:0.4#如果机器人圆形的，注释下面的一行，开启这个footprint:[[-0.133,-0.125],[-0.133,0.125],[0.133,0.125],[0.133,-0.125]]#[[x0,y0],[x1,y1],...[xn,yn]]#当机器人非圆形时，先找机器人的旋转中心，即两个轮的中心点设置成(0,0)
