作者丨马赫WGH
编辑丨3D视觉工坊
IROS是机器人领域的盛会，本文由南洋理工大学的在读博士王晗等人发表于IROS2021。
近期看了李沐大神“三步法”读论文（https://www.zhihu.com/people/mli65）的视频，研读本文时将效仿此法展开。
第一遍：看摘要和结论，以及方法和实验部分的关键图表（论文海选初筛）
第二遍：从头到尾看一遍，了解所有部分，不用太在意细节（论文精筛）
第三遍：精读，知道每一句话在干什么，角色代入（想象自己如何复现）
#第一遍#
Abstract 摘要
SLAM在机器人/无人驾驶/无人飞行器领域都有着广泛的应用，其中，计算效率和SLAM精度是非常重要的指标。当前存在的激光SLAM方案，通常将SLAM分解为两个子问题：scan-to-scan match 和 scan-to-map refinement，两个子问题都需要通过迭代计算的方式求解，大量的迭代计算降低了计算效率。
针对以上问题，作者提出了一种精度和计算效率俱佳的激光SLAM框架。F-LOAM 采用非迭代两步法实现畸变补偿来降低计算消耗；对每一帧输入，提取角点和面点特征，并分别与 local edge map/local plane map 进行匹配。作者在 KITTI 公开数据集上和实际环境中（实验室+AGV）进行了验证，表明所提出的F-LOAM具有很好的定位精度和计算效率（>10Hz），为实际应用中平衡算法精度和计算效率 提供了参考，F-LOAM也是 KITTI 中最为精确和快速的开源方案之一。
F-LOAM 实际上在两年前已经开源，但论文直到本次IROS才发布出来，开源代码地址：https://github.com/wh200720041/floam
Conclusion 结论
结论部分作者再次重申了F-LOAM在计算效率上的提升，F-LOAM的算法创新点在于 1-非迭代两步法实现畸变补偿，2-提取强角点和强面点用于迭代位姿估计。实验部分主要讲述在KITTI数据集上的结果对比，以及在实验室仓库环境下的实验结果（含仿真），如下面所示。其实，F-LOAM 相比于众多其它激光 SLAM 的特点，或者说，作者想让大家看到的F-LOAM的优势，就是其精度和计算速度的均衡性，如下图所示，在7种对比方案中，F-LOAM 轨迹误差第二小，计算速度第三快。
KITTI 数据集结果对比
实验室仓库实测
#第二遍#
Introduction 引言
引言部分，作者提出当前激光SLAM仍存在一些性能局限，如：
·不同场景下的鲁棒性，室内到室外，静态到动态；
·计算消耗过大实时性不足，尤其是在嵌入式平台上，开源的高效率方案少；
作者进一步指出，计算消耗大的原因主要在于点的数量和迭代。经典的ICP算法考虑所有的点并迭代优化总体误差；LOAM通过提取角点/面点的方式大大减少了点的数量提升了实时性，但是，畸变补偿和Odometry推断仍然依赖高消耗的迭代计算。
本文提出了一种轻量化的实时激光SLAM方案，仍然基于LOAM系的特征点配准范式，至多可实现20Hz的处理速度，包括特征提取，畸变补偿，位姿优化，建图四个部分。
Related Work 文献综述
激光SLAM种最核心的环节是点云配准，当前的方法分为两类：1-原始点云配准，2-特征点配准。
原始点云配准最典型的算法是ICP，近期发表的IMLS-SLAM则通过为每个点赋予不同的权重的方式，提升了配准精度，但带来的是计算效率进一步下降（1~2秒每帧）。
特征点配准最主流的做法是提取特征点，然后优化特征点的 point-to-line/surface 距离，如 LOAM/LeGO-LOAM/Lio-SAM，以及基于深度学习提取特征的 CAE-LO 等，但深度学习的方法受限于特征必须要事先学习。
Methodology 方法
A. Sensor Model and Feature Extraction 特征提取
计算每一个ring上的点的曲率，和LOAM/LeGO-LOAM没差，不再赘述。
注意LeGO-LOAM中，角点/面点有强弱之分，弱面点其实是所有原始点里边排除掉强角点、弱角点、强面点之后剩下的所有点，这样，弱面点数量其实很多，相当于“所有非特征点”。但在 F-LOAM 中，不会用这样的排除法，也不会对特征点分出强弱。提取出的角点/面点，都是通过计算曲率然后取最大/最小得到的真正的特征，因此，F-LOAM中用于配准的特征点数量更少。
B. Motion Estimation and Distortion Compensation 运动估计&畸变补偿
机械式激光雷达的帧率通常在10Hz以上，一帧扫描的时间都非常短，因此作者首先假设运动和旋转都是不变的，也即上一帧的运动速度作为本帧运动的预测，对所有特征点进行一次去运动畸变，得到的特征点被用于位姿估计。位姿估计完成后，用得到的准确位姿重新对特征点进行去畸变，本次去畸变后的点将用于地图更新。
以上，即为所谓的“非迭代两步法实现畸变补偿”。
C. Pose Estimation 位姿估计
位姿估计同样是优化特征点的 point-to-line/surface 误差，并没有什么不同。唯一区别在于，F-LOAM 根据曲率为每一个特征点赋予不同的权重，角点曲率越大权重越大，面点曲率越小权重越大。
D. Mapping Building & Distortion Compensation Update 地图构建&畸变补偿更新
一句话总结该部分：运动过滤筛选关键帧，关键帧去运动畸变后更新到地图中。此处的去运动畸变即 Section B 中的第二次去畸变。
Experiment Evaluation 实验评估
A. Experiment Setup 实验设计
先后在大规模室外场景（KITTI数据集）和中等规律室内场景（实验室仓库）进行了实验，在室内场景实验前，现在 ROS-Gazebo 中进行了仿真。
B. Evaluation on Public Dataset KITTI数据集实验
选择 00-11 数据集进行了实验，涵盖了高速路/市区/郊区等场景，以 Intel i7 3.2GHz Processor为处理核心，并和 IMLS-SLAM，A-LOAM，LOAM，LeGO-LOAM，VINS-MONO，HDL-SLAM 进行了对比，以 ATE 和 ARE 作为评价指标，结论如 #第一遍# 所示，不再赘述。
C. Experiment on warehouse logistics 实验室仓库实验
验证了 F-LOAM 应用于实际环境的可行性和精度，不再赘述。
Conclusion 结论
同 #第一遍# ，不再赘述。
#第三遍#
个人总结
整体来说，本文相比于 LOAM/LeGO-LOAM，并没有根本性差异，算是 LOAM 在提升实时性方面的一个工程改进，考虑到代码很早就已经开源，想来这次发paper更像是补作业，倒也无需详细读三遍。
从策略上讲，F-LOAM废除了LOAM/LeGO-LOAM中 高频+低频里程计结合的方式，在一帧数据的整个处理周期中，有效减少了参与迭代的点数、和迭代优化的次数，从而提升实时性。
