对于fast-lio论文和代码的一些个人理解

注意：不支持Ubuntu 16.04及更低版本 FAST-LIO 2.0 将于2021年3月底发射。 新的功能： 更快更好 更高的频率； 更多的LiDAR支持（Horizo​​n和Ouster 64）； 支持基于ARM的嵌入式平台。 FAST-LIO FAST-LIO （快速LiDAR惯性里程计）是一种计算效率高且功能强大的LiDAR惯性里程计套件。它使用紧密耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起，从而在发生退化的快速运动，嘈杂或混乱的环境中实现强大的导航能力。我们的软件包解决了许多关键问题： 快速迭代的卡尔曼滤波器，用于里程计优化； 在最稳定的环境下自动初始化； 并行KD-Tree搜索以减少计算量； 强大的特征提取； 开发者 ：激光贴图和姿势优化； ：特征提取。 要了解更多详细信息，请参阅我们的相关文章：） 我们的相关论文：现在可以在arxiv上获得我

SC-LIO-SAM 版本 2020-11-19 什么是 SC-LIO-SAM？ SC-LIO-SAM 是一种实时激光雷达惯性 SLAM 封装。 LiDAR 惯性 SLAM：扫描上下文 + LIO-SAM 该存储库是一个示例用例，它是一种快速而强大的 LiDAR 位置识别方法。 有关每种算法的更多详细信息，请参阅扫描上下文 LIO-SAM 您还可以使用该项目的 LiDAR-only 版本，名为 。 扫描上下文：快速而强大的位置识别 轻量级：名为“Scancontext.h”和“Scancontext.cpp”的单个标题和cpp文件 我们的模块有 KDtree ，我们使用 。 nanoflann 也是一个单头程序，该文件在我们的目录中。 易于使用：用户只需记住和使用两个API函数； makeAndSaveScancontextAndKeys和detectLoopClosureID

适配KITTI数据集

LIO-SAM超详细注释版

LIO-SAM代码中文注释 ROS代码

LIO-SAM-DetailedNote LIO-SAM源码详细注释，3D SLAM融合激光、IMU、GPS，因子图优化。 LIO-SAM的代码十分轻量，只有四个cpp文件，很值得读一读呢。 关于LIO-SAM的论文解读，网上已经有很多文章啦，同系列的LOAM、A-LOAM、LEGO-LOAM等，在网上都可以找到相关的解读文章。所以本文旨在对源代码进行阅读学习，积累一些工程上的经验。这里记录下来，希望可以帮到有需要的同学，如有错误的地方，请您批评指正。 :) 如果对您有帮助，帮我点个star呦~ 目录（知乎） 整体流程 代码结构图 因子图 1、激光运动畸变校正。利用当前帧起止时刻之间的IMU数据、IMU里程计数据计算预积分，得到每一时刻的激光点位姿，从而变换到初始时刻激光点坐标系下，实现校正。 2、提取特征。对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点特征

看很多伙伴用导远的INS570D跑LIO_SAM，有些小伙伴不知道怎么写ros驱动，写了个驱动，跑了下LIO_SAM，可以运行，有需要的可以试试看

LIO-SAM代码阅读详细注释版，2020年11月1日下载版本。目前还有部分没懂，以后再更新，博客里有相应的文章，文章里的注释和这里是一样的，不能保证能够运行，有可能写注释的时候不小心改了代码。

开源激光SLAM优质论文，包括carto,lio,loam,lego-loam,lio-sam,gmapping,hector-slam