我目前正在尝试为LIDAR实现GraphSLAM / SAM算法。从我读过的论文中，您可以生成从预期的LIDAR测量到与下图类似的地标的有向图（摘自Dellaert的Square Root SLAM论文）。

/>实际上，您从LIDAR获得的点云与此类似（取自KITTI汽车收集的数据集）：还不够准确。是否存在一种常用的技术来有效地在连续点云中查找特征以找到SLAM算法的界标，而无需在点云中使用> 30,000个点？

#1 楼

当您的外在感受器是LiDAR时，执行基于图的SLAM的最常见方法是使用姿势图。顾名思义，姿势图中的节点都是姿势（无特征/地标）。您可以使用ICP的某些变体（其中有很多）来匹配扫描本身，而不是在扫描之间匹配特征/地标。 ICP的输出为您提供姿势之间的相对变换，这是图形中的边缘。

在理论上，LiDAR测量之间有足够重叠的任何两个姿势都应该在姿势图中生成一条边缘。这意味着将有连续姿势，但是要获得准确的地图，关键是检测非连续姿势（即，您将机器人围成一圈开车并返回到起点）的测量值是否重叠。这称为闭环闭合，可以通过减少死角复归的影响来显着提高估计姿势的准确性。

一旦有了准确的姿势图，您只需使用LiDAR生成地图在每个姿势测量。也有很多方法可以做到这一点，最常见的方法是生成大量的点云或填充占用网格。