前言

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。

其中点云运动畸变矫正的代码在图像投影的节点中

可以看到该节点 订阅 3种消息：

• 原始点云数据
• 原始imu数据
• imu预积分后预测的imu里程计数据

其中完成的一个主要功能就是进行畸变矫正。本篇博客主要解读其畸变矫正数据预处理部分。

激光雷达畸变矫正

什么是激光雷达的运动畸变 ?
激光雷达的一帧数据是过去一周期内形成的所有数据,数据仅有一时间戳,而非某个时刻的数据,因此在这一帧时间内的激光雷达或者其载体通常会发生运动,因此,这一帧的原点不一致,会导致一些问题,这个问题就是运动畸变

所以需要去运动畸变,也叫畸变校正

如何进行运动补偿?

运动补偿的目的就是把所有的点云补偿到某一时刻,这样就可以把本身在过去100ms内收集的点云统一到一个时间点上去 这个时间点可以是起始时刻,也可以是结束时刻,也可以是中间的任意时刻

常见的是补偿到起始时刻

Pstart = T_start_current * Pcurrent

畸变校准方法
因此运动补偿需要知道每个点时刻对应的位姿 T_start_current 通常有几种做法

1 如果有高频里程计,可以比较方便的获取每个点相对起始扫描时刻的位姿

2 如果有imu,可以方便的求出每个点相对起始点的旋转

3 如果没有其它传感器,可以使用匀速模型假设,使用上一帧间里程计的结果,作为当前两帧之间的运动,同时假设当前帧也是匀速运动,也可以估计出每个点相对起始时刻的位姿
k-1 到 k 帧 和 k到k+1帧的运动是一至的,用k-1到k帧的位姿变换当做k到k+1帧的位姿变换, 可以求到k到k+1帧的每个点的位姿变换

畸变矫正数据预处理

作者从lego-loam开始比较喜欢的一个操作，将点云投到 16*1800的cvMat上去，方便做后续的一些处理

这部分代码在 imageProjection.cpp 文件中

首先是标准的ros节点初始化

int main(int argc, char** argv)
{
    ros::init(argc, argv, "lio_sam");
    ImageProjection IP;//图像投影对象
    ROS_INFO("\033[1;32m----> Image Projection Started.\033[0m");
     //三个线程
    ros::MultiThreadedSpinner spinner(3);
    spinner.spin();
    return 0;
}

开了三个线程

然后则继续看ImageProjection 这个类
首先看其构造函数

    ImageProjection():
    deskewFlag(0)
    {

        subImu        = nh.subscribe<sensor_msgs::Imu>(imuTopic, 2000, &ImageProjection::imuHandler, this, ros::TransportHints().tcpNoDelay());
        subOdom       = nh.subscribe<nav_msgs::Odometry>(odomTopic+"_incremental", 2000, &ImageProjection::odometryHandler, this, ros::TransportHints().tcpNoDelay());
        subLaserCloud = nh.subscribe<sensor_msgs::PointCloud2>(pointCloudTopic, 5, &ImageProjection::cloudHandler, this, ros::TransportHints().tcpNoDelay());

订阅

• imu数据，
• imu预积分预测的里程计数据，
• 原始点云数据

        pubExtractedCloud = nh.advertise<sensor_msgs::PointCloud2> ("lio_sam/deskew/cloud_deskewed", 1);
        pubLaserCloudInfo = nh.advertise<lio_sam::cloud_info> ("lio_sam/deskew/cloud_info", 1);

发布

• 运动补偿后的点云
• 点云相关信息

        allocateMemory();  // 为各个指针分配内存
        resetParameters();  // 为其他参数进行初始化与重置

进行各个指针分配内存及参数初始化

下面来看imu的回调函数 imuHandler

    void imuHandler(const sensor_msgs::Imu::ConstPtr& imuMsg)
    {
        sensor_msgs::Imu thisImu = imuConverter(*imuMsg);
        std::lock_guard<std::mutex> lock1(imuLock);
        imuQueue.push_back(thisImu);

对imu做一个坐标转换
加一个线程锁，把imu数据保存进队列

下面来看里程计的回调函数 odometryHandler

    void odometryHandler(const nav_msgs::Odometry::ConstPtr& odometryMsg)
    {
        std::lock_guard<std::mutex> lock2(odoLock);
        odomQueue.push_back(*odometryMsg);
    }

把里程计数据存入到 里程计队列里面去

主要的操作在原始的点云回调中cloudHandler

    void cloudHandler(const sensor_msgs::PointCloud2ConstPtr& laserCloudMsg)

输入就是 激光雷达 发布的点云的消息
在里面实现了 6个 函数，对应着六个功能

        if (!cachePointCloud(laserCloudMsg))   //缓存点云消息 并进行相关检查
            return;
        if (!deskewInfo())//获得运动补偿所需要的信息
            return;
        projectPointCloud();  
        cloudExtraction();  
        publishClouds(); 
        resetParameters();

首先看第一个函数
cachePointCloud

    bool cachePointCloud(const sensor_msgs::PointCloud2ConstPtr& laserCloudMsg)
    {

        cloudQueue.push_back(*laserCloudMsg);
        if (cloudQueue.size() <= 2)
            return false;
        currentCloudMsg = std::move(cloudQueue.front());
        cloudQueue.pop_front();

点云数据保存进队列
确保队列里大于两帧点云数据
缓存了足够的点云之后
取出第一帧点云

        if (sensor == SensorType::VELODYNE)//处理VELODYNE的激光雷达
        {
            // 将ros格式的点云 转成 自定义的pcl格式的点云
            pcl::moveFromROSMsg(currentCloudMsg, *laserCloudIn);//将ros的点云类型转换为 pcl的
        }
        else if (sensor == SensorType::OUSTER)//处理OUSTER的激光雷达  
        {
            // Convert to Velodyne format
            pcl::moveFromROSMsg(currentCloudMsg, *tmpOusterCloudIn);
            laserCloudIn->points.resize(tmpOusterCloudIn->size());
            laserCloudIn->is_dense = tmpOusterCloudIn->is_dense;
            for (size_t i = 0; i < tmpOusterCloudIn->size(); i++)
            {
                auto &src = tmpOusterCloudIn->points[i];
                auto &dst = laserCloudIn->points[i];
                dst.x = src.x;
                dst.y = src.y;
                dst.z = src.z;
                dst.intensity = src.intensity;
                dst.ring = src.ring;
                dst.time = src.t * 1e-9f;
            }
        }
        else//如果是其它类型 激光雷达 报错 关闭ros
        {
            ROS_ERROR_STREAM("Unknown sensor type: " << int(sensor));
            ros::shutdown();
        }

根据不同型号的激光雷达，转成pcl的点云格式

        cloudHeader = currentCloudMsg.header; 
        timeScanCur = cloudHeader.stamp.toSec();
        timeScanEnd = timeScanCur + laserCloudIn->points.back().time; 

获得该帧点云的时间戳

• 起始点时间
• 结束点时间
  header里面的时间就是起始点的时间
  points.back().time 的时间就是 最后一个点相对于第一点的时间
  所以这里就要求激光雷达要开启每个点的时间偏移信息

        if (laserCloudIn->is_dense == false)
        {
            ROS_ERROR("Point cloud is not in dense format, please remove NaN points first!");
            ros::shutdown();
        }

检测点云是否有序排列的

        static int ringFlag = 0;
        if (ringFlag == 0)
        {
            ringFlag = -1;
            for (int i = 0; i < (int)currentCloudMsg.fields.size(); ++i)
            {
                if (currentCloudMsg.fields[i].name == "ring")
                {   //有一个点有就行了
                    ringFlag = 1;
                    break;
                }
            }
            if (ringFlag == -1)
            {    //没有的话会 运行不下去
                ROS_ERROR("Point cloud ring channel not available, please configure your point cloud data!");
                ros::shutdown();
            }
        }

因为ringFlag 是 static 所以只会检查一次
检测点云中的点 是否又ring的消息
ring 代表点云处理第几根scan
没有信息则直接崩掉

        if (deskewFlag == 0)
        {
            deskewFlag = -1;
            for (auto &field : currentCloudMsg.fields)
            {
                if (field.name == "time" || field.name == "t")
                {   //有一个点有就行了
                    deskewFlag = 1;
                    break;
                }
            }
            if (deskewFlag == -1)
                 //没有也可以运行  但是  去畸变无法生效
                ROS_WARN("Point cloud timestamp not available, deskew function disabled, system will drift significantly!");
        }

检查是否有时间戳消息

然后则看 deskewInfo()的函数

    bool deskewInfo()
    {
            std::lock_guard<std::mutex> lock1(imuLock);
        	std::lock_guard<std::mutex> lock2(odoLock);

        if (imuQueue.empty() || imuQueue.front().header.stamp.toSec() > timeScanCur || imuQueue.back().header.stamp.toSec() < timeScanEnd)
        {
            ROS_DEBUG("Waiting for IMU data ...");
            return false;
        }

确保imu的数据覆盖这一帧点云

imuDeskewInfo();

准备imu补偿信息
看里面具体内容

    void imuDeskewInfo()
    {
        cloudInfo.imuAvailable = false;

先将 imu可用标志位清0

        while (!imuQueue.empty())
        {   
            if (imuQueue.front().header.stamp.toSec() < timeScanCur - 0.01)
                imuQueue.pop_front();
            else
                break;
        }
        if (imuQueue.empty())
            return;

扔掉过早的imu数据

  for (int i = 0; i < (int)imuQueue.size(); ++i)
        {

处理imu数据队列里面每个数据

            sensor_msgs::Imu thisImuMsg = imuQueue[i];  
            double currentImuTime = thisImuMsg.header.stamp.toSec();  
            if (currentImuTime <= timeScanCur)
                imuRPY2rosRPY(&thisImuMsg, &cloudInfo.imuRollInit, &cloudInfo.imuPitchInit, &cloudInfo.imuYawInit);

提取要处理的 imu数据
提取处理的这个imu的时间
离当前帧起始时刻最近的imu，把imu的姿态转换成欧拉角

          if (currentImuTime > timeScanEnd + 0.01) 
                break;

这一帧遍历完了 就 break

            if (imuPointerCur == 0){  
                imuRotX[0] = 0;
                imuRotY[0] = 0;
                imuRotZ[0] = 0;
                imuTime[0] = currentImuTime;
                ++imuPointerCur;
                continue;
            }

起始帧 的 角度初始为0

            double angular_x, angular_y, angular_z;
       
            imuAngular2rosAngular(&thisImuMsg, &angular_x, &angular_y, &angular_z);

取出当前imu数据的的角速度

            double timeDiff = currentImuTime - imuTime[imuPointerCur-1];
            imuRotX[imuPointerCur] = imuRotX[imuPointerCur-1] + angular_x * timeDiff;
            imuRotY[imuPointerCur] = imuRotY[imuPointerCur-1] + angular_y * timeDiff;
            imuRotZ[imuPointerCur] = imuRotZ[imuPointerCur-1] + angular_z * timeDiff;
            imuTime[imuPointerCur] = currentImuTime;
            ++imuPointerCur;

计算每一个时刻的姿态角，方便后续查找对应每个点云时间的值

    --imuPointerCur;

        if (imuPointerCur <= 0)
            return;

        cloudInfo.imuAvailable = true;//imu数据可用 标志位 至1

imu数据可用 标志位 至1

odomDeskewInfo();

然后是这个函数
功能是准备里程计补偿信息

    void odomDeskewInfo()
    {
        cloudInfo.odomAvailable = false;

        while (!odomQueue.empty())
        {
            if (odomQueue.front().header.stamp.toSec() < timeScanCur - 0.01)
                odomQueue.pop_front();
            else
                break;
        }

扔掉过早的数据

       
        if (odomQueue.empty())
            return;
        if (odomQueue.front().header.stamp.toSec() > timeScanCur)
            return;

排除错误的时间戳情况

        for (int i = 0; i < (int)odomQueue.size(); ++i)
        {
            startOdomMsg = odomQueue[i];
            if (ROS_TIME(&startOdomMsg) < timeScanCur)
                continue;
            else
                break;
        }

找到对应最早的点云时间的odom数据

        tf::Quaternion orientation;
        tf::quaternionMsgToTF(startOdomMsg.pose.pose.orientation, orientation);

将ros消息格式中的姿态转成tf的格式

        double roll, pitch, yaw;
        tf::Matrix3x3(orientation).getRPY(roll, pitch, yaw);

将四元数转成 欧拉角

        cloudInfo.initialGuessX = startOdomMsg.pose.pose.position.x;
        cloudInfo.initialGuessY = startOdomMsg.pose.pose.position.y;
        cloudInfo.initialGuessZ = startOdomMsg.pose.pose.position.z;
        cloudInfo.initialGuessRoll  = roll;
        cloudInfo.initialGuessPitch = pitch;
        cloudInfo.initialGuessYaw   = yaw;

        cloudInfo.odomAvailable = true;

记录点云起始时刻的对应的odom姿态
有助于后续地图模块的初始位姿估计
cloudInfo.odomAvailable 就是标记 odom 提供了这一帧点云的初始位姿

        if (odomQueue.back().header.stamp.toSec() < timeScanEnd)
            return;

这里发现没有覆盖到最后的点云，那就不能用odom数据来做运动补偿

        for (int i = 0; i < (int)odomQueue.size(); ++i)
        {
            endOdomMsg = odomQueue[i];

            if (ROS_TIME(&endOdomMsg) < timeScanEnd)
                continue;
            else
                break;
        }

找到点云最晚时刻对应的odom数据

        if (int(round(startOdomMsg.pose.covariance[0])) != int(round(endOdomMsg.pose.covariance[0])))
            return;

这个代表odom退化了，就置信度不高了。直接return ，不使用odom进行补偿

        Eigen::Affine3f transBegin = pcl::getTransformation(startOdomMsg.pose.pose.position.x, startOdomMsg.pose.pose.position.y, startOdomMsg.pose.pose.position.z, roll, pitch, yaw);

起始位姿和结束位姿 都转成 Affine3f 这个数据结构

        Eigen::Affine3f transBegin = pcl::getTransformation(startOdomMsg.pose.pose.position.x, startOdomMsg.pose.pose.position.y, startOdomMsg.pose.pose.position.z, roll, pitch, yaw);

        tf::quaternionMsgToTF(endOdomMsg.pose.pose.orientation, orientation);
        tf::Matrix3x3(orientation).getRPY(roll, pitch, yaw);
        Eigen::Affine3f transEnd = pcl::getTransformation(endOdomMsg.pose.pose.position.x, endOdomMsg.pose.pose.position.y, endOdomMsg.pose.pose.position.z, roll, pitch, yaw);

起始位姿和结束位姿 都转成 Affine3f 这个数据结构

        float rollIncre, pitchIncre, yawIncre;
        pcl::getTranslationAndEulerAngles(transBt, odomIncreX, odomIncreY, odomIncreZ, rollIncre, pitchIncre, yawIncre);

将这个增量转换成x y z和欧拉角的形式

odomDeskewFlag = true;

运行结束，前面的判断没有return掉，则表示可以用odom来进行运动补偿

总结