1、LiDAR-Localization-100FPS

https://github.com/ShiPC-AI/LiDAR-Localization-100FPS/tree/master

2、 FAST_LIO_LOCALIZATION

https://github.com/HViktorTsoi/FAST_LIO_LOCALIZATION

3、 LIO-SAM_based_relocalization

https://github.com/Gaochao-hit/LIO-SAM_based_relocalization

4、回环检测

 https://github.com/PRBonn/MapClosures

5： loam_livox

https://github.com/hku-mars/loam_livox

6、LOAM

https://github.com/cuitaixiang/LOAM_NOTED

7、A-LOAM

https://github.com/HKUST-Aerial-Robotics/A-LOAM

8、LeGO-LOAM

https://github.com/RobustFieldAutonomyLab/LeGO-LOAM/tree/master

9、FLOAM

https://github.com/wh200720041/floam

1: URL

https://github.com/koide3/glim

一、算法结构

LO整体框架：

两阶段GICP：

1. scan-to-scan的粗配准；
2. scan-to-map的精配准；
3. GICP并不是这篇文章的创新点，整个框架以及submap的维护和组织才是论文的创新点。

GICP算法介绍：

基于关键帧的submap维护方式

主要创新点：

1. 基于kNN搜索最近k帧关键帧来组成submap；
2. 此外还保留了位姿轨迹凸壳上的点在，再进行kNN搜索k帧纳入到submap中；
3. 关键帧的选取除了考虑平移和角度变化量；还包括自适应调参，根据信息量大小，比如狭窄的地方会适当减少前面两个参数的阈值。

算法加速

1. 减少submap协方差的计算，直接从关键帧中累积过来；
2. 减少构建kdtree的次数，进行swap，submap发生变化时才会重新构建kdtree。

实验验证