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。

其中点云运动畸变矫正的代码在图像投影的节点中

在这里插入图片描述
可以看到该节点 订阅 3种消息：

  • 原始点云数据
  • 原始imu数据
  • imu预积分后预测的imu里程计数据

其中完成的一个主要功能就是进行畸变矫正。上一篇博客主要解读其畸变矫正数据预处理部分；本篇博客将解读其畸变矫正处理流程部分。

在这里插入图片描述

畸变矫正

将点云投影到一个矩阵上，并保存每个点的信息,并在内部进行畸变矫正

    void projectPointCloud()
    {

        int cloudSize = laserCloudIn->points.size();
        for (int i = 0; i < cloudSize; ++i)
        {

遍历整个点云

            PointType thisPoint; 
            thisPoint.x = laserCloudIn->points[i].x;
            thisPoint.y = laserCloudIn->points[i].y;
            thisPoint.z = laserCloudIn->points[i].z;
            thisPoint.intensity = laserCloudIn->points[i].intensity;

取出对应的某个点

float range = pointDistance(thisPoint);

计算这个点距离lidar中心的距离

            if (range < lidarMinRange || range > lidarMaxRange)
                continue;

距离太小或者太远都认为是异常点

            int rowIdn = laserCloudIn->points[i].ring;
            if (rowIdn < 0 || rowIdn >= N_SCAN)
                continue;
            if (rowIdn % downsampleRate != 0)
                continue;

取出对应的在第几根scan上
scan id 合理判断
如果需要降采样，就根据scan id 适当跳过

            float horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI; 
            static float ang_res_x = 360.0/float(Horizon_SCAN);
            int columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;
            if (columnIdn >= Horizon_SCAN)
                columnIdn -= Horizon_SCAN;
            if (columnIdn < 0 || columnIdn >= Horizon_SCAN)
                continue;

计算水平角
计算水平分辨率
计算水平线束id ，转换到x负方向为起始，顺时针为正方向，范围[0-H]
对水平角做补偿，因为雷达是顺时针旋转，
对水平id进行检查

            if (rangeMat.at<float>(rowIdn, columnIdn) != FLT_MAX)
                continue;

如果这个位置有填充了就跳过
点云不是完全的360度，可能会多一些

            thisPoint = deskewPoint(&thisPoint, laserCloudIn->points[i].time);

对点做运动补偿

rangeMat.at<float>(rowIdn, columnIdn) = range;

将这个点的距离数据保存进这个range矩阵种

int index = columnIdn + rowIdn * Horizon_SCAN;

算出点的索引

fullCloud->points[index] = thisPoint;

保存这个点的坐标

之后来看下运动补偿得函数deskewPoint

    PointType deskewPoint(PointType *point, double relTime)
    {

        if (deskewFlag == -1 || cloudInfo.imuAvailable == false)
            return *point;

判断是否可以进行运动补偿，不能得话则之间返回原点
判断依据：

  • deskewFlag 是原始点云 没有 time得标签 则为-1
  • cloudInfo.imuAvailable 的原始imu里面的数据判断
        double pointTime = timeScanCur + relTime;

relTime 是相对时间，加上起始时间就是绝对时间

        float rotXCur, rotYCur, rotZCur;
        findRotation(pointTime, &rotXCur, &rotYCur, &rotZCur);

通过findRotation函数 计算当前点 相对起始点的相对旋转

其内部为：

    void findRotation(double pointTime, float *rotXCur, float *rotYCur, float *rotZCur)
    {
        *rotXCur = 0; *rotYCur = 0; *rotZCur = 0;

先将相对旋转至0

        int imuPointerFront = 0;
        while (imuPointerFront < imuPointerCur)
        {
            if (pointTime < imuTime[imuPointerFront])
                break;
            ++imuPointerFront;
        }

找到距离该点云时间最近的 大于该点云时间的点

        if (pointTime > imuTime[imuPointerFront] || imuPointerFront == 0)
        {
            *rotXCur = imuRotX[imuPointerFront];
            *rotYCur = imuRotY[imuPointerFront];
            *rotZCur = imuRotZ[imuPointerFront];
        }

如果时间戳不在两个imu的旋转之间，就直接赋值了

        } else {  
            int imuPointerBack = imuPointerFront - 1;
            double ratioFront = (pointTime - imuTime[imuPointerBack]) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);
            double ratioBack = (imuTime[imuPointerFront] - pointTime) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);
            *rotXCur = imuRotX[imuPointerFront] * ratioFront + imuRotX[imuPointerBack] * ratioBack;
            *rotYCur = imuRotY[imuPointerFront] * ratioFront + imuRotY[imuPointerBack] * ratioBack;
            *rotZCur = imuRotZ[imuPointerFront] * ratioFront + imuRotZ[imuPointerBack] * ratioBack;
        }

否则 作一个线性插值，得到相对旋转
算两个权重 进行 插值

        float posXCur, posYCur, posZCur;
        findPosition(relTime, &posXCur, &posYCur, &posZCur);

这里没有计算平移补偿 如果运动不快的话

        if (firstPointFlag == true)
        {
            transStartInverse = (pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur)).inverse();
            firstPointFlag = false;
        }

计算第一个点的相对位姿

        Eigen::Affine3f transFinal = pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur);
        Eigen::Affine3f transBt = transStartInverse * transFinal;

计算当前点和第一点的相对位姿

        newPoint.x = transBt(0,0) * point->x + transBt(0,1) * point->y + transBt(0,2) * point->z + transBt(0,3);
        newPoint.y = transBt(1,0) * point->x + transBt(1,1) * point->y + transBt(1,2) * point->z + transBt(1,3);
        newPoint.z = transBt(2,0) * point->x + transBt(2,1) * point->y + transBt(2,2) * point->z + transBt(2,3);
        newPoint.intensity = point->intensity;

        return newPoint;

就是R*p+t ，把点补偿到第一个点对应的时刻的位姿

然后看提取出有效的点的信息 函数 cloudExtraction

    void cloudExtraction()
    {

       for (int i = 0; i < N_SCAN; ++i)
        {

遍历每一根scan

cloudInfo.startRingIndex[i] = count - 1 + 5;

这个scan可以计算曲率的起始点（计算曲率需要左右各五个点）

            for (int j = 0; j < Horizon_SCAN; ++j)
            {

遍历该 scan上的每 个点

                if (rangeMat.at<float>(i,j) != FLT_MAX)//FLT_MAX就是最大的浮点数
                {

判断该点 是否 是一个 有效的点
rangeMat的每个点初始化为FLT_MAX ，如果点有效，则会赋值为 range

cloudInfo.pointColInd[count] = j;

点云信息里面 这个点对应着哪一个垂直线

cloudInfo.pointRange[count] = rangeMat.at<float>(i,j);

点云信息里面 保存它的距离信息

 extractedCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);

他的3d坐标信息

cloudInfo.endRingIndex[i] = count -1 - 5;

这个scan可以计算曲率的终端

在上面处理完后
即可发布点云

    void publishClouds()
    {
        cloudInfo.header = cloudHeader;
        cloudInfo.cloud_deskewed  = publishCloud(&pubExtractedCloud, extractedCloud, cloudHeader.stamp, lidarFrame);
        pubLaserCloudInfo.publish(cloudInfo);
    }

最后将处理后的点云发布出去

result

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述