更新于2022-2-22
过了好几个月，最近重温了一下这个代码，打算开写代码解析了，目录如下：

【SLAM】LIO-SAM解析——流程图(1)

【SLAM】LIO-SAM解析——数据预处理imageProjection(2)

【SLAM】LIO-SAM解析——特征提取featureTrack(3)

【SLAM】LIO-SAM解析——IMU预计分IMU-Preintegration(4)

【SLAM】LIO-SAM解析——后端优化MapOptimization(5)

【SLAM】LIO-SAM解析——里程计融合transformFusion(6)

【SLAM】LVI-SAM解析——综述

LIO-SAM是2020年新出的激光SLAM，代码量不大，结构统一清晰，是我看的最快的一篇SLAM代码，效果在原数据集也不错。有一个不错的注释版代码写的不错，https://github.com/smilefacehh/LIO-SAM-DetailedNote。

注释中，mapOptimization中位姿初始估计的解释和我的理解不太一样，放流程图了。
LIO-SAM流程
LIO-SAM相对于LOAM等前作的优点是什么？

  1. LOAM的数据保存在全局体素图中，通常很难执行回环检测并结合其他绝对测量（例如GPS）进行位姿校正。
  2. scan是和局部地图进行匹配，而不是全局地图，这样即可加速运行。
  3. 一个紧耦合的激光雷达惯性里程计框架，构建在因子图之上，适用于多传感器融合和全局优化。
# 自动驾驶 # 人工智能 # 机器学习
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

让数据真正用起来：qData 数据中台开放12大模块，赋能业务创新与智能分析

avatar 2048 AI社区

2025技能图谱：提示工程架构师构建可持续AI提示系统需要的新能力清单

组件类型示例内容输入参数输出格式通用-语气控制“使用亲切的语气，称呼用户为‘亲爱的[用户名]’”用户名字符串通用-伦理约束“如果用户的问题涉及违法内容（如诈骗、毒品），请回复‘抱歉，无法回答这个问题’”用户问题布尔值（是否触发）场景-订单查询“请用户提供订单号（格式：XXX-XXXXXXX），并说明查询目的（如物流、退款）”无字符串场景-退货流程“退货需要3步：1. 申请退货；2. 邮寄商品；3.

avatar 2048 AI社区

提示工程架构师必学：智能设备中的提示优化实战

智能设备的普及，让提示工程从“实验室”走进了“生活”。对于提示工程架构师而言，智能设备中的提示优化不仅是技术挑战，更是对“用户体验”的深刻理解——如何在“有限的资源”中，用“最精简的提示”，实现“最贴心的交互”。本文介绍的6大实战技巧（精简、实时、并行、跨模态），只是智能设备提示优化的“冰山一角”。未来，随着AIoT的进一步融合，提示工程将迎来更多新的挑战，但也会有更多新的机遇。让我们一起，用提示

avatar 2048 AI社区