LIO-SAM源码解读：总体架构篇

参考文章链接：知乎 卢涛

关于LIO-SAM的论文解读，请查看 论文解读
本文旨在对源代码进行阅读学习，这里记录下来，希望可以帮到有需要的同学，如有错误的地方，请您批评指正。

目录

1. LIO-SAM源码解读（一）：ImageProjection
2. LIO-SAM源码解读（二）：FeatureExtraction
3. LIO-SAM源码解读（三）：TransformFusion 和 IMUPreintegration
4. LIO-SAM源码解读（四）：mapOptimization

整体流程

代码结构图：

因子图：

整体流程：

1、激光运动畸变校正。利用当前帧起止时刻之间的IMU数据、IMU里程计数据计算预积分，得到每一时刻的激光点位姿，从而变换到初始时刻激光点坐标系下，实现校正。

2、提取特征。对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点特征。

3、scan-to-map匹配。提取布局关键帧map的特征点，与当前帧特征点执行scan-to-map匹配，更新当前帧的位姿。

4、因子图优化。添加激光里程计因子、GPS因子、闭环因子，执行因子图优化，更新所有关键帧位姿。

5、闭环检测。在历史关键帧中找候选闭环匹配帧，执行scan-to-map匹配，得到位姿变换，构建闭环因子，加入到因子图中一并优化。

一、激光运动畸变校正（ImageProjection）

功能简介

1.利用当前激光帧起止时刻间的imu数据计算旋转增量，IMU里程计数据（来自ImuPreintegration）计算平移增量，进而对该帧激光每一时刻的激光点进行运动畸变校正（利用相对于激光帧起始时刻的位姿增量，变换当前激光点到起始时刻激光点的坐标系下，实现校正）；

2.同时用IMU数据的姿态角（RPY，roll、pitch、yaw）、IMU里程计数据的的位姿，对当前帧激光位姿进行粗略初始化。

订阅

1.订阅原始IMU数据；

2.订阅IMU里程计数据，来自ImuPreintegration，表示每一时刻对应的位姿；

3.订阅原始激光点云数据。

发布

1.发布当前帧激光运动畸变校正之后的有效点云，用于rviz展示；

2.发布当前帧激光运动畸变校正之后的点云信息，包括点云数据、初始位姿、姿态角、有效点云数据等，发布给FeatureExtraction进行特征提取。

二、点云特征提取（FeatureExtraction）

功能简介

对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点（用曲率的大小进行判定）。

订阅

订阅当前激光帧运动畸变校正后的点云信息，来自ImageProjection。

发布

1.发布当前激光帧提取特征之后的点云信息，包括的历史数据有：运动畸变校正，点云数据，初始位姿，姿态角，有效点云数据，角点点云，平面点点云等，发布给MapOptimization；

2.发布当前激光帧提取的角点点云，用于rviz展示；

3.发布当前激光帧提取的平面点点云，用于rviz展示。

三、IMU预积分（ImuPreintegration）

1.TransformFusion类

功能简介

主要功能是订阅激光里程计（来自MapOptimization）和IMU里程计，根据前一时刻激光里程计，和该时刻到当前时刻的IMU里程计变换增量，计算当前时刻IMU里程计；rviz展示IMU里程计轨迹（局部）。

订阅

1.订阅激光里程计，来自MapOptimization；

2.订阅imu里程计，来自ImuPreintegration。

发布

1.发布IMU里程计，用于rviz展示；

2.发布IMU里程计轨迹，仅展示最近一帧激光里程计时刻到当前时刻之间的轨迹。

2. ImuPreintegration类

功能简介

1.用激光里程计，两帧激光里程计之间的IMU预计分量构建因子图，优化当前帧的状态（包括位姿、速度、偏置）;

2.以优化后的状态为基础，施加IMU预计分量，得到每一时刻的IMU里程计。

订阅

1.订阅IMU原始数据，以因子图优化后的激光里程计为基础，施加两帧之间的IMU预计分量，预测每一时刻（IMU频率）的IMU里程计；

2.订阅激光里程计（来自MapOptimization），用两帧之间的IMU预计分量构建因子图，优化当前帧位姿（这个位姿仅用于更新每时刻的IMU里程计，以及下一次因子图优化）。

发布

1.发布imu里程计；

四、因子图优化（MapOptimization）

功能简介

1.scan-to-map匹配：提取当前激光帧特征点（角点、平面点），局部关键帧map的特征点，执行scan-to-map迭代优化，更新当前帧位姿；

2.关键帧因子图优化：关键帧加入因子图，添加激光里程计因子、GPS因子、闭环因子，执行因子图优化，更新所有关键帧位姿；

3.闭环检测：在历史关键帧中找距离相近，时间相隔较远的帧设为匹配帧，匹配帧周围提取局部关键帧map，同样执行scan-to-map匹配，得到位姿变换，构建闭环因子数据，加入因子图优化。

订阅

1.订阅当前激光帧点云信息，来自FeatureExtraction；

2.订阅GPS里程计；

3.订阅来自外部闭环检测程序提供的闭环数据，本程序没有提供，这里实际没用上。

发布

1.发布历史关键帧里程计；

2.发布局部关键帧map的特征点云；

3.发布激光里程计，rviz中表现为坐标轴；

4.发布激光里程计；

5.发布激光里程计路径，rviz中表现为载体的运行轨迹；

6.发布地图保存服务；

7.发布闭环匹配局部关键帧map；

8.发布当前关键帧经过闭环优化后的位姿变换之后的特征点云；

9.发布闭环边，rviz中表现为闭环帧之间的连线；

10.发布局部map的降采样平面点集合；

11.发布历史帧（累加的）的角点、平面点降采样集合；

12.发布当前帧原始点云配准之后的点云。