电子发烧友App
一.测试的SLAM方案
本次我共测试了github上开源的8种方案，按照特点可分为
| 特点 | 方案 |
|---|---|
| 纯Lidar | A-LOAM(港科大版本的LOAM)，hdl_graph_slam，BLAM |
| Lidar与IMU松耦合 | LeGo-LOAM，SC-LeGo-LOAM(在LeGo-LOAM上使用了一种新的回环检测方法) |
| Lidar与IMU紧耦合 | LINS，LIO-SAM，LIOM |
说明
上述方案中除了hdl_graph_slam和BLAM外，其余方案都是基于LOAM或LeGo-LOAM
在实验中，hdl_graph_slam和BLAM在所有数据集上的性能均不理想，因而下面不再讨论。而SC-LeGo-LOAM的性能较之LeGo-LOAM也没有明显改善，因而下面也不再讨论。
原生Demo
在第二部分的实验结果展示中，为了方便比较，不同方案得到的结果形式都进行了统一化，但实际上各种方案在执行时的视觉效果是不同的，这里展示了利用各种方案的原生配置所得到的demo，日后可根据需要配置成下面的任意一种效果：
二.实验
实验共使用了5段在伟清楼附近采集的数据：
| 数据段名称 | 采集时间 | 传感器配置 | 路程 | 备注 |
|---|---|---|---|---|
| museum_out | 2020.7.25 | 10Hz Lidar+ 100Hz IMU | 639m | 无 |
| museum_in | 2020.7.25 | 10Hz Lidar+ 100Hz IMU | 226m | 回环 |
| outdoor3 | 2020.7.27 | 10Hz Lidar+ 400Hz IMU | 481m | 回环 |
| outdoor4 | 2020.7.27 | 10Hz Lidar+ 400Hz IMU | 562m | 回环 |
| aggresive | 2020.7.27 | 10Hz Lidar+ 400Hz IMU | 138m | 回环，剧烈运动 |
说明
两日的数据：由于在7.25采集的两段数据中没有明显看出加入IMU的优势，于是在7.27我将IMU频率调高至LINS，LIOM和LIO-SAM所采用的400Hz后又采集了三段数据。
IMU的校正：在每次采集数据前，我都将IMU的z轴与重力加速度重新对齐，方法是利用手机软件（如：水平仪，AIDA64等）测量，寻找到一个较好的水平面，将实验设备置于其上，利用Mtmanager对IMU进行Alignment Reset，实现z轴的重置。
IMU初值：IMU紧耦合算法中需要提供IMU的初始零偏（bias）和噪声方差，而每段数据在开始时的一段时间内实验设备都是静止的，因而我利用这段时间内（约5s）的IMU测量值进行了零偏和噪声的估计。需要注意的是，由于IMU是粘贴在Lidar外壳上的，而Lidar在扫描时会引起外壳周期性的振动，这也反映在了IMU的测量值中，如下图：
x轴和y轴的加速度ax，ay和角速度wx,wy有明显的周期性，周期为雷达的扫描周期。而经过进一步的DFT分析，可以发现ax，ay，wx，wy，wz在10Hz和40Hz的频谱分量最高，说明雷达振动的基波和4次谐波影响较大。为了去除振动影响，我暂时采取了时域拟合的方法，利用基波和4次谐波的组合来拟合测量信号，使得总误差最小，然后将拟合出的振动信号从测量信号中减去，将所得信号的均值和方差作为IMU的零偏和噪声方差。
1. museum_out
采集路线：从艺术博物馆停车场出发，环绕外围一周后来到伟清楼旁空地。
定位结果：
建图结果：
结论：
从定位结果上看，各种算法在x，y的估计上比较接近，分歧主要在高度z的估计上。根据实际情况，起点和终点的高度差并不是很大，LIO-SAM和LeGo-LOAM在这点上性能较好，其余方案则略有不足。
从建图结果上看，各算法的建图效果相当，只是LINS和LeGo-LOAM的地图稍微稀疏一些。
2. museum_in
采集路线：从艺术博物馆水池出发，在内场游走后回到原点：
定位结果：
建图结果：
结论：
从定位结果看，LIOM与其他方法有较大偏移，但轨迹的形状却是相似的，这是由于LIOM对IMU和Lidar外参进行了校正，使得坐标系有所偏移。ALOAM和LIOM很好地闭合了回环，但LIO-SAM，LINS和LeGo-LOAM的性能也还不错，也接近闭合。
从建图结果上看，各算法的建图效果相当，只是LINS和LeGo-LOAM的地图稍微稀疏一些。
3. outdoor3
采集路线：从伟清楼出发，环绕附近建筑一周后返回原点：
定位结果：
建图结果：
结论：
从定位结果来看，IMU紧耦合且存在回环检测的LIO-SAM成功地闭合了回环，其他方案都发生了明显漂移，其中，LeGo-LOAM在z方向产生了相当离谱的估计，这是由于点云中地面点较少，不能很好地约束住z方向,而使用了IMU紧耦合的另外两种LINS,LIOM较之ALOAM漂移较少，证明高频IMU起到了一定的约束作用。
从建图结果来看，LIO-SAM由于闭合了回环，建立了全局一致的地图。而其他方案建立的地图中则可以看出明显的漂移，例如图中左下角显示了起点处地图的侧视图，可以看到除LIO-SAM外，其他方案的地图都出现明显的分层现象，这就是z方向漂移的结果。
4. outdoor4
采集路线：从伟清楼出发，与outdoor3方向相反地环绕附近建筑一周后返回原点：
定位结果：
建图结果：
结论：
从定位结果来看，只有LIO-SAM很好地闭合了回环。LeGo-LOAM再次发生了退化，估计效果不佳，而LINS和LIOM在z方向产生了明显漂移，ALOAM在y和z方向都产生了明显漂移，说明IMU还是起到了一定的约束作用。
从建图结果来看，LIO-SAM得到了全局一致的地图，而其他方法由于漂移建图效果不太理想，例如图中的左下部分显示了起点处地图的俯视图，可以看到除LIO-SAM外都存在分层现象，这是z方向漂移的结果，而ALOAM和LeGo-LOAM还可以看出明显的平行相似结构（如柱子和右侧墙壁），这是y方向漂移的结果。
5. aggressive
采集路线：从伟清楼出发，在伟清楼，英士楼和刘卿楼围城的空地上行走，途中伴随有跑步后骤停，猛烈转弯等剧烈动作，最终回到原点：
定位结果：
建图结果：
结论：
从定位结果来看，LIO-SAM和LIOM很好地闭合了回环。LINS在z方向产生了明显漂移，ALOAM在y和z方向都产生了明显漂移，LeGo-LOAM则索性崩溃，这说明IMU还是起到了一定的约束作用。
从建图结果来看，采用了IMU紧耦合的三种方案LIO-SAM和LIOM和LINS得到的地图看起来都还不错，很难看出漂移或失真痕迹，而ALOAM和LeGo-LOAM的结果就相当糟糕了！
三.总结
各种方案的优缺点如下：
| 方案 | 优点 | 不足 |
|---|---|---|
| ALOAM | 1. 在几何特征丰富时比较稳定 |
1. 后期内存会出现爆炸，计算效率下降 2. 在几何特征较少时会产生明显漂移 |
| LeGo-LOAM |
1. 在地面点丰富时比较稳定 2. 轻量级 |
1. 在地面点缺乏时很容易崩溃 2. 得到的地图比较稀疏 |
| LINS | 1. 轻量级 |
1. z方向漂移明显 2. 得到的地图比较稀疏 3. 目前的版本要求Lidar与IMU体坐标系的xy平面平行，不接受自己提供的外參 |
| LIO-SAM |
1. 存在回环检测，能较好地闭合回环 2. 稳定性强 3. Demo看起来比较舒服 |
1. 在几何特征丰富的情况下可能不如ALOAM |
| LIOM | 1. 存在重力加速度的校正和IMU初始状态估计 |
1. 稳定性不好，有时性能好，有时又不行，可能与其初始化环节的性能有关 2. 内存占用大，时间性能较差 |
在进行IMU校正后，融合高频IMU确实能够提升SLAM性能，尤其是在几何特征缺乏或者剧烈运动的情况下。
LIO-SAM在定位和建图方面做的都不错，比较建议使用。
编辑：黄飞
工商网监
评论