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。

其中建图优化节点整体如下图

在之前的博客中，我们分部完成了

• 帧间点云匹配
• 回环检测及位姿计算

本篇我们来看在lio-sam框架中，是如何将三者（雷达里程计、回环检测、gps）进行融合，来实现全局位姿优化的。

代码解析

    void saveKeyFramesAndFactor()
    {

保存关键帧 添加 factor

        if (saveFrame() == false)
            return;

通过旋转和平移增量，判断是否是关键帧
如果不是关键帧则不往因子图里加factor

来看saveFrame()函数

    bool saveFrame()
    {
        if (cloudKeyPoses3D->points.empty())
            return true;

如果没有关键帧，就直接认为是关键帧

Eigen::Affine3f transStart = pclPointToAffine3f(cloudKeyPoses6D->back());

取出上一个关键帧的位姿

        Eigen::Affine3f transFinal = pcl::getTransformation(transformTobeMapped[3], transformTobeMapped[4], transformTobeMapped[5], 
                                                            transformTobeMapped[0], transformTobeMapped[1], transformTobeMapped[2]);

当前帧的位姿转成eigen形式

Eigen::Affine3f transBetween = transStart.inverse() * transFinal;

计算两个位姿之间的 delta pose

        float x, y, z, roll, pitch, yaw;
        pcl::getTranslationAndEulerAngles(transBetween, x, y, z, roll, pitch, yaw);

转成 平移 + 旋转（欧拉角） 的形式

        if (abs(roll)  < surroundingkeyframeAddingAngleThreshold &&
            abs(pitch) < surroundingkeyframeAddingAngleThreshold && 
            abs(yaw)   < surroundingkeyframeAddingAngleThreshold &&
            sqrt(x*x + y*y + z*z) < surroundingkeyframeAddingDistThreshold)
            return false;

        return true;

任何一个旋转大于给定阈值或者平移大于给定阈值就认为是关键帧

阈值的设置在 params.yaml 文件中

角度阈值 是 0.2 弧度
平移阈值 是 1 米

添加激光雷达帧间里程计因子

回到 saveKeyFramesAndFactor 函数中
如果是关键帧的话就给isam增加因子

        addOdomFactor();

增加odom 的因子
来看具体内容

    void addOdomFactor()
    {

        if (cloudKeyPoses3D->points.empty())
        {

如果是第一帧 关键帧

noiseModel::Diagonal::shared_ptr priorNoise = noiseModel::Diagonal::Variances((Vector(6) << 1e-2, 1e-2, M_PI*M_PI, 1e8, 1e8, 1e8).finished()); 

置信度就设置差一点，尤其是不可观的平移和yaw角

gtSAMgraph.add(PriorFactor<Pose3>(0, trans2gtsamPose(transformTobeMapped), priorNoise));

增加先验约束 ， 对第 0 个节点增加约束

initialEstimate.insert(0, trans2gtsamPose(transformTobeMapped));

加入节点信息 初始值

}else{

如果不是第一帧，就增加帧间约束

noiseModel::Diagonal::shared_ptr odometryNoise = noiseModel::Diagonal::Variances((Vector(6) << 1e-6, 1e-6, 1e-6, 1e-4, 1e-4, 1e-4).finished());

这时帧间约束置信度就设置高一些

gtsam::Pose3 poseFrom = pclPointTogtsamPose3(cloudKeyPoses6D->points.back());

上一关键帧 位姿 转成 gtsam的 格式

gtsam::Pose3 poseTo   = trans2gtsamPose(transformTobeMapped);

当前关键帧 位姿 转成 gtsam的 格式

gtSAMgraph.add(BetweenFactor<Pose3>(cloudKeyPoses3D->size()-1, cloudKeyPoses3D->size(), poseFrom.between(poseTo), odometryNoise));

这是 一个 帧间 约束 ，分别 输入两个 节点 的 id，帧间约束大小 以及 置信度

 initialEstimate.insert(cloudKeyPoses3D->size(), poseTo);

加入节点信息 先验位姿

添加GPS因子

回到 saveKeyFramesAndFactor 函数中

addGPSFactor();

gps 的 因子

    void addGPSFactor()
    {
        if (gpsQueue.empty())
            return;

如果没有gps信息就算了

        if (cloudKeyPoses3D->points.empty())
            return;

如果有gps但是没有关键帧信息也算了
因为gps 是给关键帧提供约束的

        else
        {
            if (pointDistance(cloudKeyPoses3D->front(), cloudKeyPoses3D->back()) < 5.0)
                return;
        }

第一个关键帧和最后一个关键帧相差很近，也就算了，要么刚起步，要么会触发回环

        if (poseCovariance(3,3) < poseCovThreshold && poseCovariance(4,4) < poseCovThreshold)
            return;

gtsam 反馈的 当前 x、y 的置信度，如果置信度比较高 也不需要 gps来进行 优化

        while (!gpsQueue.empty())
        {

            if (gpsQueue.front().header.stamp.toSec() < timeLaserInfoCur - 0.2)
            {
                gpsQueue.pop_front();
            }

把距离当前帧比较早的帧都抛弃

            else if (gpsQueue.front().header.stamp.toSec() > timeLaserInfoCur + 0.2)
            {
                break;
            }`                float noise_x = thisGPS.pose.covariance[0];
                float noise_y = thisGPS.pose.covariance[7];
                float noise_z = thisGPS.pose.covariance[14];
                // 如果gps的置信度也不高，也没有必要使用了
                if (noise_x > gpsCovThreshold || noise_y > gpsCovThreshold)
                    continue;`

比较晚就索性再等等lidar计算

            {
                // 寿命这个gps 时间上距离当前帧已经比较近了，那就把这个数据取出来
                nav_msgs::Odometry thisGPS = gpsQueue.front();
                gpsQueue.pop_front();

说明这个gps 时间上距离当前帧已经比较近了，那就把这个数据取出来

                float noise_x = thisGPS.pose.covariance[0];
                float noise_y = thisGPS.pose.covariance[7];
                float noise_z = thisGPS.pose.covariance[14];
                if (noise_x > gpsCovThreshold || noise_y > gpsCovThreshold)
                    continue;

如果gps的置信度也不高，也没有必要使用了

                float gps_x = thisGPS.pose.pose.position.x;
                float gps_y = thisGPS.pose.pose.position.y;
                float gps_z = thisGPS.pose.pose.position.z;

取出gps 的 位置

                if (!useGpsElevation)
                {
                    gps_z = transformTobeMapped[5];
                    noise_z = 0.01;
                }

通常gps 的z 没有 x y准，因此这里可以不使用z值 useGpsElevation 默认为0
直接拿里程计的z 并 设置 高置信度

                if (abs(gps_x) < 1e-6 && abs(gps_y) < 1e-6)
                    continue;

如果gps 的 x 或者 y 太小，说明还没有初始化好

                PointType curGPSPoint;
                curGPSPoint.x = gps_x;
                curGPSPoint.y = gps_y;
                curGPSPoint.z = gps_z;
                if (pointDistance(curGPSPoint, lastGPSPoint) < 5.0)
                    continue;
                else
                    lastGPSPoint = curGPSPoint;

加入gps观测不宜太频繁，相邻不能超过5m

                gtsam::Vector Vector3(3);
                Vector3 << max(noise_x, 1.0f), max(noise_y, 1.0f), max(noise_z, 1.0f);

gps 的 置信度，标准差设置成最小1m，也就是不会特别信任gps信息

noiseModel::Diagonal::shared_ptr gps_noise = noiseModel::Diagonal::Variances(Vector3);

设置节点 置信度

 gtsam::GPSFactor gps_factor(cloudKeyPoses3D->size(), gtsam::Point3(gps_x, gps_y, gps_z), gps_noise);
 gtSAMgraph.add(gps_factor);

调用gtsam 中集成的gps 约束

                aLoopIsClosed = true;
                break;

加入gps 之后 等同于回环，需要触发较多的isam update

添加回环检测因子

回到 saveKeyFramesAndFactor 函数中

    void addLoopFactor()
    {

        if (loopIndexQueue.empty())
            return;

有一个专门的回环检测线程会检测回环，检测到就会给这个队列塞入回环约束

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

把队列里面所有的回环约束添加进行

            int indexFrom = loopIndexQueue[i].first;//当前帧
            int indexTo = loopIndexQueue[i].second;// 回环帧

当前帧 回环帧 索引

gtsam::Pose3 poseBetween = loopPoseQueue[i];

帧间约束

gtsam::noiseModel::Diagonal::shared_ptr noiseBetween = loopNoiseQueue[i];

回环的置信度就是icp的得分

gtSAMgraph.add(BetweenFactor<Pose3>(indexFrom, indexTo, poseBetween, noiseBetween));

加入约束

        loopIndexQueue.clear();
        loopPoseQueue.clear();
        loopNoiseQueue.clear();

清空回环相关队列

        aLoopIsClosed = true;
    }

标志位 至 true

isam 更新

回到 saveKeyFramesAndFactor 函数中

        isam->update(gtSAMgraph, initialEstimate);
        isam->update();

所有因子加完了，就调用isam 接口，更新图模型

        if (aLoopIsClosed == true)
        {
            isam->update();
            isam->update();
            isam->update();
            isam->update();
            isam->update();
        }

如果加入了gps约束或者回环约束，isam需要进行更多次的优化

        gtSAMgraph.resize(0);
        initialEstimate.clear();

将约束和节点信息清空，他们已经呗加入到isam中去了，因此这里清空不会影响整个优化

isamCurrentEstimate = isam->calculateEstimate();

通过接口获得所以变量的状态

latestEstimate = isamCurrentEstimate.at<Pose3>(isamCurrentEstimate.size()-1);

取出优化后的最新关键帧位姿

        thisPose3D.x = latestEstimate.translation().x();
        thisPose3D.y = latestEstimate.translation().y();
        thisPose3D.z = latestEstimate.translation().z();
        thisPose3D.intensity = cloudKeyPoses3D->size(); 
        cloudKeyPoses3D->push_back(thisPose3D);

平移信息取出来保存进clouKeyPoses 3D这个结构中，其中索引作为 intensity

        thisPose6D.x = thisPose3D.x;
        thisPose6D.y = thisPose3D.y;
        thisPose6D.z = thisPose3D.z;
        thisPose6D.intensity = thisPose3D.intensity ;
        thisPose6D.roll  = latestEstimate.rotation().roll();
        thisPose6D.pitch = latestEstimate.rotation().pitch();
        thisPose6D.yaw   = latestEstimate.rotation().yaw();
        thisPose6D.time = timeLaserInfoCur;
        cloudKeyPoses6D->push_back(thisPose6D);

6D姿态同样保留下来

 poseCovariance = isam->marginalCovariance(isamCurrentEstimate.size()-1);

保存当前位姿的置信度 用于是否使用gps的判断

        transformTobeMapped[0] = latestEstimate.rotation().roll();
        transformTobeMapped[1] = latestEstimate.rotation().pitch();
        transformTobeMapped[2] = latestEstimate.rotation().yaw();
        transformTobeMapped[3] = latestEstimate.translation().x();
        transformTobeMapped[4] = latestEstimate.translation().y();
        transformTobeMapped[5] = latestEstimate.translation().z();

将优化后的位姿更新到transformTobeMapped数组中，作为当前最佳估计值

        pcl::copyPointCloud(*laserCloudCornerLastDS,  *thisCornerKeyFrame);
        pcl::copyPointCloud(*laserCloudSurfLastDS,    *thisSurfKeyFrame);

当前帧的点云的角点和面点 分别拷贝一下

        cornerCloudKeyFrames.push_back(thisCornerKeyFrame);
        surfCloudKeyFrames.push_back(thisSurfKeyFrame);

关键帧的点云保存下来

 updatePath(thisPose6D);

根据当前最新位姿更新rviz可视化

调整全局轨迹

下面来看调整全局轨迹

    void correctPoses()
    {

        if (cloudKeyPoses3D->points.empty())
            return;

没有关键帧，自然也没有什么意义

        if (aLoopIsClosed == true)
        {

只有回环以及gps信息这些会触发全局调整信息才会触发

laserCloudMapContainer.clear(); 

很多位姿会变化，因子之前的容器内转到世界坐标系下的很多点云就需要调整，因此这里索性清空
laserCloudMapContainer 这里存放关键帧的位姿和点云

globalPath.poses.clear();

清空path

            int numPoses = isamCurrentEstimate.size();
            for (int i = 0; i < numPoses; ++i)
            {   
                // 更新所有关键帧的位姿
                cloudKeyPoses3D->points[i].x = isamCurrentEstimate.at<Pose3>(i).translation().x();
                cloudKeyPoses3D->points[i].y = isamCurrentEstimate.at<Pose3>(i).translation().y();
                cloudKeyPoses3D->points[i].z = isamCurrentEstimate.at<Pose3>(i).translation().z();

                cloudKeyPoses6D->points[i].x = cloudKeyPoses3D->points[i].x;
                cloudKeyPoses6D->points[i].y = cloudKeyPoses3D->points[i].y;
                cloudKeyPoses6D->points[i].z = cloudKeyPoses3D->points[i].z;
                cloudKeyPoses6D->points[i].roll  = isamCurrentEstimate.at<Pose3>(i).rotation().roll();
                cloudKeyPoses6D->points[i].pitch = isamCurrentEstimate.at<Pose3>(i).rotation().pitch();
                cloudKeyPoses6D->points[i].yaw   = isamCurrentEstimate.at<Pose3>(i).rotation().yaw();
                // 同时更新path
                updatePath(cloudKeyPoses6D->points[i]);
            }

然后更新所有的位姿

            aLoopIsClosed = false;
        }

标志位 至 0

总结