SC-A-LOAM：在A-LOAM中加入回环检测
Thanks to LOAM, A-LOAM, and LIO-SAM code authors. The major codes in this repository are borrowed from their efforts.
代码：https://github.com/gisbi-kim/SC-A-LOAM
编译：点云PCL
本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。内容如有错误欢迎评论留言，未经允许请勿转载！
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起每交流一起进步,有兴趣的可联系微信：920177957。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。
摘要
该开源库是在A-LOAM的基础上在增加了回环检测和位姿图优化模块（名为SC-PGO）
该库也在FAST-LIO2激光里程计中集成了。其代码位于 ：
https://github.com/gisbi-kim/SC-A-LOAM
https://github.com/gisbi-kim/FAST_LIO_SLAM
主要内容及贡献
实时激光雷达SLAM集成了A-LOAM和ScanContext。
A-LOAM用于里程计模块（即连续运动估计）
ScanContext用于处理大漂移的粗略全局定位（即无初始姿势的机器人位置识别问题）
并将GTSAM的iSAM2用于位姿图优化。
此库旨在展示ScanContext的便捷适用性。
用户应该做的唯一事情就是包括Scancontext.h调用makeAndSaveScancontextAndKeys
和 detectLoopClosureID。
SC-A-LOAM特点
鲁棒的位置识别和回环闭合：将ScanContext作为回环检测器集成到A-LOAM中，然后进行基于ISAM2的姿势图优化。
模块化实现：与A-LOAM的唯一区别是添加了laserPosegraphOptimization.cpp文件,在新文件中，订阅了点云topic和里程计topic（订阅了从laserMapping.cpp发布的A-LOAM的结果）。也就是说，实现了对于任何前端里程计方法都是通用的，因此，我们的姿势图优化模块（即laserPosegraphOptimization.cpp）可以轻松地与任何里程计算法集成，如甚至非LOAM系列或甚至其他传感器（例如视觉里程计）。
使用消费级GPS进行高度值稳定：为了使结果更加可信，模块支持基于GPS（消费者级价格，如U-Blox EVK-7P）的高度值稳定，众所周知，LOAM系列方法在室外易受z轴值误差的影响，这里仅对高度值使用稳健损失，有关详细信息，可参考laserPosegraphOptimization.cpp文件。
依赖
主要依赖ROS、Ceres（用于A-LOAM）和GTSAM（用于姿势图优化）。
实验
MulRan数据集
提供了激光雷达扫描点云（ Ouster OS1-64，水平安装，10Hz）和消费者级gps（U-Blox EVK-7P，4Hz）数据。
KITTI (HDL-64 获取点云数据)
室内场景
数据保存和地图构建
支持每个关键帧的位姿和扫描点云数据的保存，使用这些保存的数据，可以离线构建地图（在ROI内）。请参阅utils/python/makeMergedMap.py和对应教程。下面是MulRan数据集KAIST 03的合并地图的示例结果，使用CloudCompare可视化结果。
总结
A-LOAM的基础上在增加了回环检测和位姿图优化模块。也是LOAM系列SLAM方案的扩展和优化。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
如果你对本文感兴趣，请后台发送“知识星球”获取二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。