自動駕駛系統進階與項目實戰（五）使用SC-LEGO-LOAM進行較大規模點雲地圖構建和閉環優化
高精度地圖和高精度定位目前仍然是L4及以上自動駕駛系統的核心模塊之一，成熟的傳感器融合定位方法高度依賴高精度地圖，L4級自動駕駛系統中，我們所說的高精度地圖通常包含兩類地圖：語義地圖（也稱爲矢量地圖）和點雲地圖，語義地圖也就是自動駕駛感知規劃重度依賴的地圖，包含了大量的路網和交通靜態信息，是結構化數據；點雲地圖，通常爲定位模塊中的雷達配準定位所使用，是高精度定位的基礎，存儲類型爲非結構化的傳感器數據，點雲地圖本質上也是圖商用於構建語義地圖的底圖之一，所以構建大規模點雲地圖對於高精度製圖和定位的基礎之一，本文將詳細解析LEGO-LOAM SLAM方法，並且介紹如何使用SC-LEGO-LOAM構建包含閉環檢測和優化的較大規模點雲地圖，最後我們將使用ROS bag實踐構建一個較大城區的三維地圖。
LEGO-LOAM簡介
LEGO-LOAM是一種使用激光雷達進行實時姿態估計和製圖的方法，ICP(iterative closest point) 是目前最常用的點雲配准算法，通過在兩個點雲之間逐點查找對應關係，ICP算法反覆對齊兩組點雲，直到滿足停止條件爲止，所以ICP處理密度較大的點雲配準問題是會存在計算複雜度大的問題，相比之下，一些基於特徵的匹配方法具有更高的計算效率，但是需要設計能夠滿足配準要求的特徵描述符，常見的方法包括PFH(Point Feature
Histograms)和VFH(Viewpoint F