LOAM, ALOAM, LegoLOAM, hdl graph slam比較

LOAM

LOAM:

• LOAM使用了作者定義的特徵點提取和匹配方法，主要去邊角點和平面點。LOAM use a new defined feature system (corner and flat point), for the detail see its article.
• LOAM假設每一次激光掃描過程中是勻速運動，並且用這個假設修正激光雷達數據的運動扭曲問題。在VLOAM中則是更進一步，使用視覺的里程計估計每一個掃描數據的運動。LOAM suppose linear motion within the scan swap (VLOAM further uses visual odometry to estimate it), and undistort the lidar points.
• LOAM也有一個低頻率調用的全局優化線程。

A-LOAM

ALOAM github page

另外，下面的算法都使用hdl_graph_slam給到的室外數據集做了結果的測試，建模的圖像如下所示。由於沒有找到軌跡的真實值，沒有對軌跡誤差做比較分析。

LOAM和ALOAM的區別（Difference LOAM vs A-LOAM）:

• LOAM中提供了使用IMU信息修正的接口， ALOAM中省略了這一塊。LOAM has IMU refinement.
• ALOAM中缺少了對提取到的特徵點的篩選過程，具體可以參見LOAM的代碼部分（對一些不好的邊角點做了篩選）。Lack feature filter in A-LOAM.
• LOAM中的優化LM方法是作者自己編寫的，ALOAM則是使用了Ceres庫完成這一部分。LOAM implies the LM solver itself. A-LOAM uses Ceres solver.
• 補充上面的一點，LOAM中作者解析地求出了雅各比的表達式（其中使用了一些小技巧統一了不同特徵點的殘差函數的導數表達），ALOAM則是簡單地使用了ceres提供的自動求導工具（這樣可以節省開發的時間，得到了也是準確的解，但是運算時間會稍稍長些，具體可以參見ceres的官方文檔）。LOAM use analytical derivatives for Jacobians, but A-LOAM uses the automatic derivatives offered by Ceres (which is exact solution but a little bit slower).
• 相比於原本的LOAM， ALOAM的可讀性更高，非常適合學習。尤其是雅各比的部分，LOAM原本的雅各比推導非常的難理解。ALOAM直接用自動求導，整個SLAM最複雜的運算就不需要推導了！

Performance:
• A-LOAM seems good,less redundant points.
• but has more error in far edges.
• LOAM method has no assumption of a consistent “floor”, that is better for our case.
• A-LOAM has the same logical with LOAM, but its performance is much worse.
下面是對ALOAM的三個線程的運行時間的分析（以下的運行測試都是再i5 9300 cpu上進行的），分別是scan registration線程，odometry線程，和mapping線程。其中mapping是進行全局優化的線程，另外兩個線程則和實時性息息相關。

• ALOAM - scan refistration
  the maximum time is : 0.034434
  the mean of time is : 0.0148146394612
• ALOAM - odometry
  the maximum time is : 0.027296
  the mean of time is : 0.0157431030928
• ALOAM - mapping
  the maximum time is : 0.326849
  the mean of time is : 0.257764385093

For one input scan, it takes 0.0305s in average. 對於一個新的掃描幀，需要大概0.03秒的處理時間，另外低頻優化每次的耗時大概0.25秒（並不影響實時性）。

LEGO LOAM

lego LOAM

vs LOAM:

• Lego LOAM針對處理運算量做了優化，它的運算速度增加，同時並沒有犧牲精度。Faster and similar accuracy as LOAM, and has a better global map visual effect.

Difference LOAM:

• LogoLOAM 增加了更多預處理的步驟，其中主要包括一個地面的提取（並沒有假設地面是平面），和一個點雲的分割。使用更多篩選之後的點雲再提取特徵點，效率會更高。Add segmentation before processing (gound extraction and image-based segmentation)
• 在提取特徵點時，將點雲分成小塊，分別提取特徵點，以保證特徵點的均勻分佈。Sub-divide the range image before feature extraction → more evenly distributed features.
• 再特徵點匹配的時候，使用預處理得到的segmenation標籤篩選，又提高了效率。Label match
• 一個雙步驟的LM優化，先使用平面點優化高度，同時利用地面的方向優化兩個角度信息；再使用邊角點優化剩下的三個變量。以這種方式分別優化，效率提升40%，但是並沒有造成精度的損失（根據原文章所述）。Two step LM. Seperate the optimization based on different property of edge and planar points. Becomes faster while similar accuracy.
• 不用的地圖點存儲方式。LOAM中將所有歷史的點雲存儲到同一張點雲圖中，並做了grid sampling。Lego LOAM則是分別存儲每一幀的特徵點信息和每一幀的位姿數據。這樣提供了兩種全局優化方式，一種是仿照LOAM的方法；另一種是可以使用圖優化理論。Difference map storage method, can use pose graph optimization and use loop closure.

另外LeGO LOAM需要對激光設備的標定。應該是在預處理中，使用了將激光數據轉化爲range image的步驟中需要這些數據，只有正確的設定才能正確執行算法。
在源代碼中對Velodyne的一些設備都有完整的參數設置，但是對速騰（rslidar）並沒有設置好，需要自己完成這方面的工作，才能使用速騰的設備運行算法。雖然話是這麼說。。我之前也問題這個遇到過問題。但是我發現就用源代碼提供的velodyne的參數就可以順利運行了。

對我來說，在這個室外場景的數據，我覺得LeGO LOAM是本文列舉的幾個算法中最好的。 它可以高速運行，有較高的精度，同時相比於LOAM可以加入迴環優化。

但是，在室內運行發現，LeGO LOAM很容易丟失誤匹配，但是LOAM就好很多，即使有相對大的運動也能夠正確的處理。

Performance:
• lego slam has the best result, error is small.
• Flat plane has good look, achieve a dense map, while keep its consistence.

下面是LeGO LOAM的三個主要線程的處理時間的分佈曲線。分別是image projection線程（將掃描幀投影到二維矩陣，並做一系列的預處理），feature association線程（與LOAM大概一致，特徵點的提取和匹配），以及map optimization線程（低頻激發的全局優化線程）。

• LEGO LOAM - image projection
  the maximum time is : 0.029819
  the mean of time is : 0.0123906096595
• LEGO LOAM - feature association
  the maximum time is : 1.226773
  the mean of time is : 0.0126770831335
• LEGO LOAM - map optimization
  the maximum time is : 0.427468
  the mean of time is : 0.30585172524

For one input scan, it takes 0.0249s in average. It is about 25% faster than ALOAM. 對於每一個輸入的掃描幀，處理時間大約是0.025秒，相對於ALOAM快了25%左右。另外由於在LeGO LOAM中使用了另外的地圖結構和優化方式（也加入了迴環優化），所以map optimization的處理時間稍長一些，大概是0.3秒一次。

HDL GRAPH SLAM

hdl graph slam

hdl_graph_slam:

• 它是一個簡單的圖優化模型。 It is basically a graph optimization algorithm.
• 它提供了ICP爲基礎的和NDT爲基礎的一系列點雲標配方法。Use ICP-based or NDT-based methods to register new point cloud, and match candidates of loop closure.
• 它假設有一個共享的地面，但是假設了地面是一個平面，這個假設可能過於強了，限制了算法的魯棒性。
• 在全局圖優化的步驟，只是使用了相鄰兩幀的相對位姿和每一幀檢測到的地面信息。其實使用的信息很少，圖優化的結構也十分簡單。For the graph optimization part, it use the most sample edge for consecutive frames, along with the floor observation edge.
• 它提供了迴環優化的模塊，但是迴環比較粗糙。簡單來說，就是在當前幀地附近搜索歷史地每一幀，分別標配得到可能的迴環，再進行優化。
• 總的來說，它提出了使用圖優化來處理激光SLAM，這是很好的想法。In summary, it uses the most basic algorithms, however it has a complete structure.

Performance:
• not that much error for the far points, as it has loop closure
• lots of redundant points as it has no optimization on point cloud, floors and walls are very thick in the global map.

HDL graph slam有四個主要線程，對於點雲的預處理降採樣prefiltering線程，floor detection線程（檢測一個共有的平面作爲地面），odometry線程（在測試中使用的是使用openmp加速的NDT算法），和graph optimization線程（優化包括：相鄰幀的約束，迴環約束，和每一幀檢測到的地面約束）。

• HDL - prefiltering
  the maximum time is : 0.395365
  the mean of time is : 0.00943357786885
• HDL - floor detection
  the maximum time is : 0.856617
  the mean of time is : 0.0456638586777
• HDL - odometry
  the maximum time is : 0.309964
  the mean of time is : 0.0742533234078
• HDL - graph slam
  the maximum time is : 2.140327
  the mean of time is : 0.13695704878

Its processing time is much more than the other two methods, as it use NDT, while the other use feature points. 相比於上面的LOAM爲基礎的特徵點標配方法，使用NDT（openmp加速過的NDT）仍然慢了很多，NDT大概需要0.07秒/幀。在全局優化的線程中，由於約束只是簡單的相對位姿（幀與幀的相對位姿和幀與地面的相對位姿）所以graph optimization線程速度很快，只需要LOAM衍生算法的一半左右的時間。