LIO-SAM:经由平滑和建图实现的紧耦合激光雷达惯性里程计

注意：通读文章后发现整篇文章没啥实质性的东西，慎读。。。
此链接是文章的主要内容的摘要，强烈推荐
https://blog.csdn.net/unlimitedai/article/details/107378759#t2

代码的链接为：https://github.com/TixiaoShan/LIO-SAM
论文的链接为：https://github.com/TixiaoShan/LIO-SAM/blob/master/config/doc/paper.pdf

摘要

我们提出了一种通过平滑和建图的LIO-SAM紧耦合激光雷达惯性里程测量的框架，该框架可实现高精度，实时的移动机器人轨迹估计和地图构建。 LIO-SAM在因子图的顶部制定了激光雷达惯性里程表，从而可以将来自不同来源的大量相对和绝对测量值（包括回路闭合）作为因子合并到系统中。来自惯性测量单元（IMU）预积分的估计运动纠正点云畸变，并为激光雷达里程计优化提供了初始猜测。获得的激光雷达里程计解决方案用于估计IMU的偏差。为了确保实时高性能，我们将旧的激光雷达扫描边缘化以进行姿势优化，而不是将激光雷达扫描与全局地图匹配。选择性地引入关键帧以及以有效的滑动窗口方法将新的关键帧注册到固定大小的先验“子关键帧”集合中，在局部范围而不是全局范围内进行扫描匹配可显着提高系统的实时性能 。在从不同规模和环境的三个平台收集的数据集上，对该方法进行了广泛的评估。

1. INTRODUCTION

状态估计，定位和建图是成功的智能移动机器人的基本先决条件，是反馈控制，避障和计划以及许多其他功能所必需的。使用基于视觉和基于激光雷达的传感技术，已经做出了巨大的努力，以实现高性能的实时同时定位和制图（SLAM），该技术可以支持移动机器人的六个自由度状态估计。基于视觉的方法通常使用单目或立体相机，并在连续图像中对特征进行三角测量以确定相机的运动。尽管基于视觉的方法特别适合于位置识别，但是当它们单独用于支持自主导航系统时，它们对初始化，光照和范围的敏感性使其不可靠。另一方面，基于激光雷达的方法在很大程度上不受光照的影响。尤其是随着长距离、高分辨率的3D激光雷达（例如Velodyne VLS-128和Ouster OS1-128）的推出，激光雷达变得更适合直接捕获3D空间中环境的精细细节。因此，本文重点研究基于激光雷达的状态估计和建图方法。

在过去的二十年中，已经提出了许多基于激光雷达的状态估计和建图方法。 其中，在文献[1]中提出的用于低漂移和实时状态估计和制图的激光雷达测距和制图（LOAM）方法是使用最广泛的方法。 使用激光雷达和惯性测量单元（IMU）的LOAM达到了最先进的性能，并且自从其在KITTI里程表基准站点发布以来就被评为基于激光雷达的顶级方法[2]。 尽管取得了成功，但LOAM仍然存在一些局限性-通过将其数据保存在全局体素图中，通常很难执行闭环检测，以及融入其他绝对测量值（例如GPS）以进行姿势校正。 当体素图在特征丰富的环境中变得稠密时，其在线优化过程将变得效率较低。 LOAM在大规模测试中也存在偏差，因为它的核心是基于扫描匹配的方法。

在本文中，我们提出了一个通过平滑和建图的LIO-SAM紧密耦合激光雷达惯性里程计的框架，以解决上述问题。我们假设了点云畸变的非线性运动模型，使用原始IMU测量来估计激光雷达扫描期间的传感器运动。除了消除点云畸变外，估计的运动还可以作为激光雷达里程计优化的初始猜测。然后，将获得的激光雷达里程计解决方案用于估计因子图中IMU的偏差。通过引入用于机器人轨迹估计的全局因子图，我们可以使用激光雷达和IMU测量有效地执行传感器融合，在机器人姿态中合并位置识别，并在可用时引入绝对测量，例如GPS定位和指南针航向。来自各种来源的这些因素集合用于图形的联合优化。此外，我们将旧的激光雷达扫描 边缘化以进行姿势优化，而不是将扫描匹配到像LOAM这样的全局地图。选择性地引入关键帧以及以有效的滑动窗口方法将新的关键帧注册到固定大小的先验 “子关键帧”集合中，在局部范围而不是全局范围内进行扫描匹配可显着提高系统的实时性能。我们工作的主要贡献可以概括如下：

• 在因子图上建立了紧密耦合的激光雷达惯性里程表框架，适用于多传感器融合和全局优化。
• 一种有效的，基于本地滑动窗口的扫描匹配方法，通过选择性将选择的新关键帧注册到固定大小的先前子关键帧集来实现实时性能。
• 所提出的框架已通过各种规模，车辆和环境的测试得到了广泛验证。

2. RELATED WORK

激光雷达测距法通常是通过使用扫描匹配方法（例如ICP [3]和GICP [4]）找到两个连续帧之间的相对变换来执行的。由于不是匹配整个点云，基于特征的匹配方法因其计算效率已成为一种流行的替代方法。例如，在[5]中，提出了一种基于平面的配准方法用于实时激光雷达里程计。假设在结构化环境中进行操作，它将从点云中提取平面，并通过解决最小二乘问题来匹配它们。在文献[6]中提出了一种基于领线的方法，用于里程计估计。在这种方法中，线段是从原始点云中随机生成的，以后用于配准。但是，由于现代3D激光雷达的旋转机制和传感器运动，扫描的点云经常会偏斜。仅使用激光雷达进行姿势估计并不理想，因为使用偏斜点云或特征进行配准最终会导致较大的漂移。

因此，激光雷达通常与其他传感器（例如IMU和GPS）结合使用，以进行状态估计和映射。 这种利用传感器融合的设计方案通常可以分为两类：松耦合融合和紧密耦合融合。 在LOAM [1]中，引入了IMU以使激光雷达扫描偏斜并在进行扫描匹配之前先进行运动。 但是，IMU不参与算法的优化过程。 因此，LOAM可以归为松散耦合方法。 在[7]中提出了一种针对地面车辆制图任务的轻型且地面优化的激光雷达测距和制图（LeGO-LOAM）方法。 IMU测量值的融合与LOAM相同。 松耦合融合的一种更流行的方法是使用扩展卡尔曼滤波器（EKF）。 例如，[9]-[13]在用于机器人状态估计的优化阶段，使用EKF集成了来自激光雷达，IMU和可选GPS的测量值。

紧耦合系统通常可提供更高的精度，并且目前是正在进行的研究的重点[14]。 在[15]中，利用预积分的IMU测量来消除点云的畸变。 文献[16]提出了一个以机器人为中心的激光雷达惯性状态估计器R-LINS。 R-LINS使用错误状态卡尔曼滤波器以紧密耦合的方式递归校正机器人的状态估计。 由于缺少用于状态估计的其他可用传感器，因此在长时间导航期间会发生漂移。 文献[17]中介绍了紧密耦合的激光雷达惯性里程表和测绘框架LIOM。 LIOM是LIO-Mapping的缩写，与LOAM相比，可共同优化激光雷达和IMU的测量，并获得相似或更好的精度。 由于LIOM被设计为处理所有传感器测量，因此无法实现实时性能 - 在我们的测试中，它的运行速度约为(我们的)0.6倍。

3. LIDAR INERTIAL ODOMETRY VIA SMOOTHING AND MAPPING

A System Overview

我们首先定义在整篇论文中使用的坐标系和符号。 我们将世界坐标系表示为W，将机器人主体坐标系表示为B。为方便起见，我们还假定IMU坐标系与机器人主体坐标系重合。 机器人状态x可以写成：

拟议系统的概述如图1所示。该系统从3D激光雷达，IMU和GPS（可选）接收传感器数据。 我们试图使用这些传感器的观测值来估计机器人的状态及其轨迹。 该状态估计问题可以表述为最大后验（MAP）问题。 我们使用一个因子图对该问题进行建模，因为与贝叶斯网络相比，它更适合执行推理。 在高斯噪声模型的假设下，针对我们问题的MAP推论等同于解决非线性最小二乘问题[18]。 请注意，在不失一般性的前提下，建议的系统还可以合并其他传感器的测量值，例如高度计的高度或指南针的航向。

我们介绍了四种类型的因子以及一种用于因子图构造的变量类型。 此变量代表机器人在特定时间的状态，该变量归因于图表的节点。 四种类型的因子是：（a）IMU预积分因子，（b）激光雷达里程计因子，（c）GPS因子和（d）回路闭合因子。 当机器人姿势的变化超过用户定义的阈值时，会将新的机器人状态节点x添加到图中。 当使用增量平滑和与贝叶斯树（iSAM2）映射时，在插入新节点时优化因子图[19]。 以下各节介绍了生成这些因素的过程。

B IMU Preintegration Factor

使用公式定义来自IMU的角速度和加速度的测量值。 2和3：
现在，我们可以使用来自IMU的测量值来推断机器人的运动。 机器人在时间t +Δt处的速度，位置和旋转可以计算如下：由于篇幅所限，我们请读者参考[20]中的描述，以详细了解方程式[7-9]。除了它的效率外，应用IMU预积分自然也为我们提供了一种针对因子图的约束类型-IMU预积分因子。 IMU偏差与图中的激光雷达里程计因子一起被共同优化。

C. Lidar Odometry Factor

当新的激光雷达扫描到达时，我们首先执行特征提取。 通过评估局部区域上点的粗糙度来提取边缘和平面特征。 粗糙度值大的点被分类为边缘特征。 类似地，按低粗糙度值对平面特征进行分类。 我们将在时间i从激光雷达扫描中提取的边缘和平面特征分别表示为F_i^e和F_i^p。 时间i提取的所有特征组成一个激光雷达框架F_i，其中F_i= {F_i^e，F_i^p}。 注意，激光雷达框架F用B表示。如果使用 range image ，则在[1]或[7]中可以找到特征提取过程的更详细描述。

使用每个激光雷达框架进行计算并向图中添加因子在计算上是棘手的，因此我们采用了关键帧选择的概念，该概念已在视觉SLAM领域中广泛使用。 使用一种简单但有效的启发式方法，当机器人姿势的变化与先前状态x_i相比超出用户定义的阈值时，我们选择激光雷达框架F_i+1作为关键帧。 新保存的关键帧F_i+1与因子图中的新机器人状态节点x_i+1关联。 两个关键帧之间的激光雷达帧将被丢弃。 以这种方式添加关键帧，不仅可以在稠密地图和内存消耗之间实现平衡，而且还有助于维持相对稀疏的因子图，这适合于实时非线性优化。 在我们的工作中，用于添加新关键帧的位置和旋转变化阈值选择为1米和10度。

让我们假设我们希望将新的状态节点x_i+1添加到因子图中。 与该状态关联的激光雷达关键帧是F_i+1。 以下步骤描述了激光雷达测距因子的生成：

1）体素贴图的子关键帧：我们实现了滑动窗口方法来创建包含固定数量的最近的激光雷达扫描的点云图。 我们没有优化两个连续的激光雷达扫描之间的转换，而是提取了n个最新的关键帧（称为子关键帧）进行估算。 然后将子关键帧集合{F_i-n，…，F_i} 使用相关联的变换{T_i-n，…，T_i}　变换为帧W。 变换后的子关键帧将合并到一个体素贴图M_i中。 由于我们在上一个特征提取步骤中提取了两种类型的特征，因此M_i由两个子体素贴图组成，分别表示为M_i^e（边缘特征体素贴图）和M_i^p（平面特征体素贴图）。 激光雷达框架和体素贴图相互关联，如下所示：
2）扫描匹配：我们通过扫描匹配将新获得的激光雷达帧F_i+1（也为{F_i+1^e，F_i+1^p}）与M_i匹配。 为此，可以使用各种扫描匹配方法，例如[3]和[4]。 由于在各种挑战性环境中的计算效率和鲁棒性，这里我们选择使用[1]中提出的方法。

我们首先将{F_i+1^e，F_i+1^p}从B转换为W，然后获得{'F_i+1^e，'F_i+1^p}。 通过使用来自IMU的预测机器人运动T̃_i+1获得初始转换。 对于’F_i+1^e或’F_i+1^p中的每个特征，我们然后在M_i^e或M_i^p中找到其边缘或平面对应关系。 为了简洁起见，此处省略了查找这些对应关系的详细过程，但在[1]中进行了详细描述。

3）相对变换：可以使用以下方程式计算特征与其边缘或平面 对应关系之间的距离：
我们注意到，获得∆T_i,i+1的另一种方法是将子关键帧转换为x_i的帧。 换句话说，我们将F_i+1与x_i帧中表示的体素贴图匹配。 这样，可以直接获得真实的相对变换∆T_i,i+1。 由于变换后的特征’F_i^e和’F_i^p可以重复使用多次，因此我们选择使用本教程中介绍的方法(III-C.1)以提高计算效率。

D. GPS Factor

尽管我们仅通过使用IMU预积分和激光雷达测距因子就可以获得可靠的状态估计和映射，但是在长时间的导航任务中，系统仍会出现漂移。 为了解决这个问题，我们可以引入提供绝对测量以消除漂移的传感器。 这样的传感器包括高度计，指南针和GPS。 出于说明目的，我们讨论了GPS，因为它已在现实世界的导航系统中广泛使用。

当我们收到GPS测量值时，我们首先使用[21]中提出的方法将它们转换为局部笛卡尔坐标系。 在将新节点添加到因子图中后，我们然后将新的GPS因子与此节点关联。 如果GPS信号未与激光雷达框架进行硬件同步，我们将基于激光雷达框架的时间戳在GPS测量值之间进行线性插值。

我们注意到，由于GPS激光雷达惯性里程表的漂移增长得非常缓慢，因此在GPS接收可用时不必不断添加GPS因子。 实际上，我们仅在估计的位置协方差大于接收到的GPS位置协方差时添加GPS因子。

E. Loop Closure Factor

由于使用了因子图，因此与LOAM和LIOM相比，闭环也可以无缝地集成到建议的系统中。 为了说明的目的，我们描述并实现了一种朴素但有效的基于欧几里德距离的闭环检测方法。 我们还注意到，我们提出的框架与其他用于闭环检测的方法兼容，例如[22]和[23]，它们会生成点云描述子并将其用于位置识别。

当将新状态x_i+1添加到因子图中时，我们首先搜索该图并找到 在欧几里得空间中接近x_i+1的先验状态。 如图1所示，例如，x₃是返回的候选之一。 然后，我们尝试使用扫描匹配将F_i+1与子关键帧{F_3-m，…，F₃，…，F_3+m}进行匹配。 请注意，在扫描匹配之前，首先将F_i+1和过去的子关键帧转换为W。 我们获得相对变换ΔT_3,i+1 并将其作为闭环因子添加到图中。 在整个本文中，我们选择索引m为12，并且从新状态x_i+1到闭环的搜索距离设置为15m。

在实践中，当GPS是唯一可用的绝对传感器时，我们发现添加闭环系数对于校正机器人高度的漂移特别有用。 这是因为GPS的海拔高度测量非常不准确-在没有回路闭合的情况下，我们的测试中出现的高度误差接近100m。

4. EXPERIMENTS

现在，我们描述了一系列实验，以定性和定量地分析我们提出的框架。

本文使用的传感器套件包括Velodyne VLP-16激光雷达，MicroStrain 3DM-GX5-25 IMU和Reach M GPS。

为了验证，我们收集了5个不同规模，平台和环境的不同数据集。 这些数据集分别称为旋转，步行，校园，公园和阿姆斯特丹。 传感器安装平台如图2所示。前三个数据集是使用MIT校园内的定制手持设备收集的。 该公园数据集是使用无人地面交通工具（Clearpath Jackal）在植被覆盖的公园中收集的。 通过将传感器安装在船上并在阿姆斯特丹的运河中巡游，收集了最后一个数据集，即阿姆斯特丹。 这些数据集的详细信息显示在表I中。

我们将建议的LIO-SAM框架与LOAM和LIOM进行比较。 在所有实验中，LOAM和LIO-SAM都必须实时运行。 另一方面，LIOM被赋予无限时间来处理每个传感器测量。 所有方法均以C ++实现，并在配备了Intel i7-10710U CPU的笔记本电脑上使用Ubuntu Linux中的机器人操作系统（ROS）[24]执行。 我们注意到，只有CPU用于计算，而没有启用并行计算。 我们在LIO-SAM上的实现可在Github 1上免费获得。 可以在下面的链接2中找到所执行实验的补充详细信息，包括所有测试的完整可视化。

A. Rotation Dataset

在此测试中，当仅将IMU预积分和激光雷达测距因子添加到因子图中时，我们专注于评估框架的鲁棒性。旋转数据集是由拿着传感器套件并在静止不动的情况下执行一系列剧烈旋转操作的用户收集的。该测试中遇到的最大转速为133.7度/秒。图3（a）中显示了填充有结构的测试环境。从LOAM和LIO-SAM获得的图显示在图1和2中。分别参见图3（b）和（c）。因为LIOM使用与[25]中相同的初始化管道，所以它继承了视觉惯性SLAM的相同初始化敏感性，并且无法使用此数据集正确初始化。由于无法产生有意义的结果，因此未显示LIOM的图。如图所示，与LOAM相比，LIO-SAM的地图保留了更精细的环境结构细节。这是因为即使机器人快速旋转，LIO-SAM仍可以将每个激光雷达框架精确地记录在SO（3）中。

B.行走数据集

该测试旨在评估当系统在SE（3）中经历剧烈的平移和旋转时我们方法的性能。 该数据集遇到的最大平移和旋转速度分别为1.8 m / s和213.9 o / s。 在数据收集过程中，用户持有图2（a）所示的传感器套件，并迅速走过MIT校园（图4（a））。 在该测试中，图4（b）所示的LOAM图在遇到剧烈旋转时会在多个位置发散。 在此测试中，LIOM优于LOAM。 但是，图4（c）所示的地图在各个位置仍然略有不同，并且由许多模糊结构组成。 因为LIOM被设计为处理所有传感器测量，所以它仅以0.56倍的实时速度运行，而其他方法则是实时运行。 最后，LIO-SAM的性能优于这两种方法，并且生成的地图与可用的Google Earth图像一致。

C. Campus Dataset

此测试旨在显示引入GPS和环路闭合因子的好处。为此，我们有意禁止在图中插入GPS和环路闭合因子。当同时禁用GPS和环路闭合因子时，我们的方法称为LIO-odom，它仅利用IMU预积分和激光雷达测距因子。当使用GPS因子时，我们的方法称为LIO-GPS，它使用IMU预积分，激光雷达里程计和GPS因子进行图形构建。 LIO-SAM在可用时会使用所有因素。

为了收集此数据集，用户使用手持设备在MIT校园中漫步并返回相同的位置。由于地图区域中的建筑物和树木众多，因此GPS接收很少可用，而且大部分时间都不准确。在滤除不一致的GPS测量值之后，可用GPS的区域在图5（a）中显示为绿色部分。这些区域对应于未被建筑物或树木包围的少数区域。

LOAM，LIO-odom，LIO-GPS和LIO-SAM的估计轨迹如图5（a）所示。 由于LIOM无法正确初始化并无法产生有意义的结果，因此未显示结果。 如图所示，与所有其他方法相比，LOAM的轨迹明显漂移。 如果不校正GPS数据，则LIO-odom的轨迹开始明显地漂移到地图的右下角。 借助GPS数据，LIO-GPS可以在可用时校正漂移。 但是，GPS数据在数据集的后半部分不可用。 结果，当机器人由于漂移而返回到起始位置时，LIO-GPS无法关闭环路。 另一方面，LIO-SAM可以通过在图形中添加环路闭合因子来消除漂移。 LIO-SAM的地图与Google Earth图像高度吻合，如图5（b）所示。 表II显示了机器人返回起点时所有方法的相对平移误差。

D.公园数据集

在此测试中，我们将传感器安装在UGV上，并沿着森林远足径驾驶车辆。驾驶40分钟后，机器人将返回其初始位置。 UGV在三个路面上行驶：沥青，被草覆盖的地面和被尘土覆盖的小路。由于没有悬架，因此在非沥青路面上行驶时，机器人会出现低振幅但会产生高频振动的情况。

为了模拟具有挑战性的地图绘制场景，我们仅在机器人处于宽阔的区域时才使用GPS测量，这在图6（a）中用绿色部分表示。这种映射方案代表了一项任务，在该任务中，机器人必须映射多个GPS拒绝的区域并定期返回具有GPS可用性的区域以校正漂移。

与以前的测试结果相似，LOAM，LIOM和LIO-dom会遭受明显的漂移，因为没有绝对的校正数据。此外，LIOM仅实时运行0.67倍，而其他方法则实时运行。

尽管LIO-GPS和LIO-SAM的轨迹在水平面上重合，但它们的相对平移误差却有所不同（表II）。由于没有可靠的绝对海拔高度测量值，因此LIO-GPS会出现高度漂移，并且在返回机器人的初始位置时无法闭合环路。 LIO-SAM没有这种问题，因为它利用环路闭合因子来消除漂移。

E.阿姆斯特丹数据集

最后，我们将传感器套件安装在船上，并沿着阿姆斯特丹的运河航行了3个小时。尽管在此测试中传感器的移动相对平稳，但由于以下几个原因，绘制运河图仍具有挑战性。运河上的许多桥梁构成了简陋的场景，因为当小船在它们下面时，几乎没有有用的功能，类似于穿过一条漫长而毫无特色的走廊。平面特征的数量也明显减少，因为不存在地面。当阳光直射在传感器视场中时，我们会从激光雷达观察到许多错误的检测结果，在数据收集过程中，这种情况大约占20％的时间。由于桥梁和城市建筑的上方，我们也只能获得间歇性的GPS接收。

由于这些挑战，LOAM，LIOM和LIO-dom都无法在此测试中产生有意义的结果。与Park数据集中遇到的问题类似，由于海拔高度的变化，LIO-GPS在返回机器人的初始位置时无法闭合环路，这进一步激发了我们在LIO-SAM中使用环路闭合因子的动机。

F. Benchmarking Results

由于完整的GPS覆盖范围仅在P ark数据集中可用，因此我们向GPS测量历史显示均方根误差（RMSE）结果，这被视为地面真实情况。此RMSE错误未考虑沿z轴的错误。如表III所示，就GPS地面真相而言，LIO-GPS和LIO-SAM实现了相似的RMSE误差。请注意，我们可以通过完全访问所有GPS测量值来将这两种方法的误差至少降低一个数量级。

但是，在许多地图设置中，始终无法完全访问GPS。我们的目的是设计一个可以在各种挑战性环境中运行的强大系统。

表IV中显示了在所有五个数据集中配准一个激光雷达帧的三种竞争方法的平均运行时间。在所有测试中，LOAM和LIO-SAM被迫实时运行。换句话说，如果在激光雷达转速为10Hz的情况下运行时间超过100毫秒，则会丢弃某些激光雷达帧。 LIOM有无限的时间来处理每个激光雷达框架。如图所示，LIO-SAM使用的运行时间比其他两种方法少得多，这使其更适合部署在低功耗嵌入式系统上。

我们还通过比实时提供数据更快的速度对LIO-SAM进行压力测试。 与数据回放速度为1倍实时时的结果相比，当LIO-SAM实现类似性能而没有失败时，记录了最大数据回放速度，并显示在表IV的最后一栏中。 如图所示，LIO-SAM能够比实时更快地处理数据，速度高达13倍。

我们注意到，LIO-SAM的运行时间受特征图密度的影响更大，而受因子图中节点和因子数量的影响较小。例如，Park数据集是在特征丰富的环境中收集的，植被导致大量的特征，而Amsterdam数据集产生了稀疏的特征图。虽然Park检验的因子图由4,573个节点和9,365个因子组成，但是Amsterdam检验中的图具有23,304个节点和49,617个因子。尽管如此，与Park测试中的运行时相比，LIO-SAM在Amsterdam测试中使用的时间更少。

5. CONCLUSIONS AND DISCUSSION

我们已经提出了LIO-SAM，它是通过平滑和映射用于紧密耦合激光雷达惯性里程测量的框架，用于在复杂环境中执行实时状态估计和映射。通过在要素图上制定激光雷达惯性里程表，LIO-SAM特别适用于多传感器融合。附加的传感器测量值可以轻松地作为新因素纳入框架。

提供绝对测量值的传感器（例如GPS，指南针或高度计）可用于消除长时间积累的激光雷达惯性里程表漂移，或者在功能较差的环境中。位置识别也可以轻松集成到系统中。为了提高系统的实时性能，我们提出了一种滑动窗口方法，该方法将旧的激光雷达框架边缘化以进行扫描匹配。关键帧被选择性地添加到因子图中，并且在生成激光雷达测距法和闭环因子时，新的关键帧仅被注册到一组固定大小的子关键帧。这种在本地而不是全球范围内的扫描匹配促进了LIO-SAM框架的实时性能。所提出的方法在各种环境下的三个平台上收集的数据集上进行了全面评估。结果表明，与LOAM和LIOM相比，LIO-SAM可以达到相似或更好的精度。未来的工作涉及在无人驾驶飞机上测试所提议的系统。