Thanks to LOAM, A-LOAM, and LIO-SAM code authors. The major codes in this repository are borrowed from their efforts.

代碼：https://github.com/gisbi-kim/SC-A-LOAM

編譯：點云PCL

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。內容如有錯誤歡迎評論留言，未經允許請勿轉載！

公眾號致力于分享點云處理，SLAM，三維視覺，高精地圖相關的文章與技術，歡迎各位加入我們，一起每交流一起進步,有興趣的可聯系微信：920177957。本文來自點云PCL博主的分享，未經作者允許請勿轉載，歡迎各位同學積極分享和交流。

摘要

該開源庫是在A-LOAM的基礎上在增加了回環檢測和位姿圖優化模塊（名為SC-PGO）

該庫也在FAST-LIO2激光里程計中集成了。其代碼位于 ：

https://github.com/gisbi-kim/SC-A-LOAM

https://github.com/gisbi-kim/FAST_LIO_SLAM

主要內容及貢獻

實時激光雷達SLAM集成了A-LOAM和ScanContext。

• A-LOAM用于里程計模塊（即連續運動估計）

• ScanContext用于處理大漂移的粗略全局定位（即無初始姿勢的機器人位置識別問題）

• 并將GTSAM的iSAM2用于位姿圖優化。

此庫旨在展示ScanContext的便捷適用性。

• 用戶應該做的唯一事情就是包括Scancontext.h調用makeAndSaveScancontextAndKeys

  和 detectLoopClosureID。

SC-A-LOAM特點

• 魯棒的位置識別和回環閉合：將ScanContext作為回環檢測器集成到A-LOAM中，然后進行基于ISAM2的姿勢圖優化。

• 模塊化實現：與A-LOAM的唯一區別是添加了laserPosegraphOptimization.cpp文件,在新文件中，訂閱了點云topic和里程計topic（訂閱了從laserMapping.cpp發布的A-LOAM的結果）。也就是說，實現了對于任何前端里程計方法都是通用的，因此，我們的姿勢圖優化模塊（即laserPosegraphOptimization.cpp）可以輕松地與任何里程計算法集成，如甚至非LOAM系列或甚至其他傳感器（例如視覺里程計）。

• 使用消費級GPS進行高度值穩定：為了使結果更加可信，模塊支持基于GPS（消費者級價格，如U-Blox EVK-7P）的高度值穩定，眾所周知，LOAM系列方法在室外易受z軸值誤差的影響，這里僅對高度值使用穩健損失，有關詳細信息，可參考laserPosegraphOptimization.cpp文件。

依賴

主要依賴ROS、Ceres（用于A-LOAM）和GTSAM（用于姿勢圖優化）。

實驗

MulRan數據集

提供了激光雷達掃描點云（ Ouster OS1-64，水平安裝，10Hz）和消費者級gps（U-Blox EVK-7P，4Hz）數據。

?KITTI (HDL-64 獲取點云數據)

室內場景

數據保存和地圖構建

支持每個關鍵幀的位姿和掃描點云數據的保存，使用這些保存的數據，可以離線構建地圖（在ROI內）。請參閱utils/python/makeMergedMap.py和對應教程。下面是MulRan數據集KAIST 03的合并地圖的示例結果，使用CloudCompare可視化結果。

總結

A-LOAM的基礎上在增加了回環檢測和位姿圖優化模塊。也是LOAM系列SLAM方案的擴展和優化。

基于LOAM的激光SLAM匯總

F-LOAM:基于激光雷達的快速里程計和建圖

SA-LOAM:具有語義輔助的回環檢測LOAM系統

F-LOAM:基于激光雷達的快速里程計和建圖

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

如果你對本文感興趣，請后臺發送“知識星球”獲取二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的SC-A-LOAM：在A-LOAM中加入回环检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。