LIO-SAM的全称是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。

LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。
实现了高精度、实时的移动机器人的轨迹估计和建图。

框架的构成：
通过相对观测（两帧间的估计）及绝对观测（GPS），还包括回环检测，构成因子图。

这个框架必须要有激光雷达和IMU。可以没有回环和GPS。

IMU的作用：
用IMU的数据对激光雷达点云作畸变矫正
为激光雷达里程计的优化提供一个初值

系统对IMU的作用：
获得的雷达里程计会用来估计IMU的零偏（bias）

点云匹配建图方式：
为了保障性能和实时，并不是将激光雷达一帧数据和全局地图进行匹配，而是和经过边缘化的历史地图进行匹配
这种当前帧和局部地图配置而不是全局地图的做法，可以显著提高系统的实时性。

局部地图构成：
通过选取关键帧的方式，利用滑窗的方法，将当前的关键帧和历史尺度和大小一致的子关键帧集合配准。

测试情况：
提出的方法在三个平台进行了测试，手持设备、UGV、船，在不同场景下表现都很不错。

LIO-SAM整体框架

输入层中的三个矩形框是是三个传感器

• IMU
• 点云
• GPS（可选）

输出以IMU的频率发布里程计的结果

LIO-SAM中的四个矩形图，对应ROS中的四个节点。每个节点都有其单独的功能。

图像映射节点

可以先看图像映射的节点
该节点订阅3个消息

• 原始imu数据
• 原始点云数据
• imu里程计数据 来自IMU预积分节点

其中imu里程计数据在系统初始化阶段没有该消息，图像映射节点仅有两个数据

主要功能有四个：

• 获得变换初始估计，该估计是从imu里程计数据获得
• 组织点云，与lego-loam类似，将点云转为深度图像
• 点云畸变矫正 只对旋转部分补偿，平移部分在代码中注释掉了。利用的IMU原始数据

该节点发布的消息：
处理后的点云

特征提取节点

订阅信息1个：
来自图像映射节点的处理后的点云

功能：
提取角点和面点

该节点发布的消息：
处理后的点云

建图优化节点

订阅信息两个

• 特征提取处理后的点云
• 原始GPS数据（可选）

主要功能

• 点云匹配
• 计算雷达里程计的位姿
• 因子图优化（雷达里程计因子、GPS因子、回环因子），注意这里没有IMU因子

发布消息

• 激光雷达里程计，发送给IMU预积分节点

IMU预积分节点

该节点最后一个工作，需要前面3个工作完，得到激光雷达里程计后，再进行IMU预积分

订阅数据：

• imu原始数据
• 激光雷达里程计（来自建图优化节点）

功能：

• 因子图优化（IMU预积分因子、雷达里程计因子）
• 估计IMU零偏

发布消息：

• IMU里程计信息

LIO-SAM编译与安装

可以参考官网
官网地址

该功能包的依赖有

• ROS

验证的版本有Kinetic 和 Melodic
同时需要安装ROS的几个功能包，如下：

sudo apt-get install -y ros-kinetic-navigation
sudo apt-get install -y ros-kinetic-robot-localization
sudo apt-get install -y ros-kinetic-robot-state-publisher

• gtsam

其官网链接为：官网链接

wget -O ~/Downloads/gtsam.zip https://github.com/borglab/gtsam/archive/4.0.0-alpha2.zip
cd ~/Downloads/ && unzip gtsam.zip -d ~/Downloads/
cd ~/Downloads/gtsam-4.0.0-alpha2/
mkdir build && cd build
cmake ..
sudo make install

cmake 可以改成如下指令

cmake -DGTSAM_BUILD_EITH_MARCH_NATIVE=OFF -DGTSAM_USE_SYSTEM_EIGEN=ON ..

目的是设置一些宏
DGTSAM_BUILD_EITH_MARCH_NATIVE 是开启css加速的宏，要关闭。避免其它库（比如PCL或者自己代码）没有开启的话，会造成运行时出现异常的情况
DGTSAM_USE_SYSTEM_EIGEN 这个是用系统装的eigen编译的宏，要开启。OFF的话会用gtsam自带的eigen，代码运行存在两个版本eigen会容易出问题

之后就可以下载LIO-SAM的代码进行安装了

cd ~/catkin_ws/src
git clone https://github.com/TixiaoShan/LIO-SAM.git
cd ..
catkin_make

安装编译成功后，会提示如下：

运行

roslaunch lio_sam run.launch

通过上面的指令就能运行了。

但是在运行前，要根据自己的情况进行一些参数配置

在params.yaml文件中可以看到一些配置

  pointCloudTopic: "points_raw"               # Point cloud data
  imuTopic: "/imu_correct"                         # IMU data
  odomTopic: "odometry/imu"                   # IMU pre-preintegration odometry, same frequency as IMU
  gpsTopic: "odometry/gpsz"                   # GPS odometry topic from navsat, see module_navsat.launch file

其中

• 点云的Topic名称为points_raw
• IMU的Topic名称为/imu_correct

这两个如果自身的数据发布名称不一致，需要改成一致的

• GPS的Topic名称为odometry/gpsz

如果没有GPS可以不用管

  sensor: velodyne                            # lidar sensor type, either 'velodyne' or 'ouster'
  N_SCAN: 16                                  # number of lidar channel (i.e., 16, 32, 64, 128) 雷达的通道数量
  Horizon_SCAN: 1800                          # lidar horizontal resolution (Velodyne:1800, Ouster:512,1024,2048)激光雷达水平分辨率   也就是水平角度分辨率  360/1800=0.2
  downsampleRate: 1                           # default: 1. Downsample your data if too many points. i.e., 16 = 64 / 4, 16 = 16 / 1
  lidarMinRange: 1.0                          # default: 1.0, minimum lidar range to be used  雷达最小距离长度
  lidarMaxRange: 1000.0                       # default: 1000.0, maximum lidar range to be used  雷达最大距离长度

这边雷达参数也要对应的设置

  extrinsicTrans: [0.0, 0.0, 0.0]
  extrinsicRot: [1, 0, 0,
                  0, 1, 0,
                  0, 0,  1]
  extrinsicRPY: [ 1, 0, 0,
                0, 1 , 0,
                  0, 0, 1]

IMU和类的外参配置一下
别的就没啥了

配置完即可运行launch文件，然后在rviz中就可以看到地图了

粉色的是面点，绿色的是角点