hdl_graph_slam是一套激光slam系统，可融合gps、imu、lidar三种传感器，同时具有闭环检测功能。开源代码地址为：

一、优缺点分析

通过实测和阅读代码，它有如下优缺点：
1. 优点

1）简洁的流程和代码结构。

激光slam虽然相对简单，但是目前开源的算法里，能够同时融合gps、imu、lidar三种传感器的还比较少。cartographer算是一种，但是相对于它来讲，hdl_graph_slam在资源消耗、代码复杂度、建图流程等方面还是有很大优势。

2）增加地面检测。

当所处的环境中地面为平面时，它就可以作为一个很有效的信息去约束高程的误差，而做过激光slam的都知道，在没有gps的情况下，高程误差是主要的误差项。当然在地面为非平面的时候是不能够使用的，但这不能作为它的缺点，而应该在使用时根据环境决定是否开启这项功能。

3）具有闭环检测功能

闭环检测是slam中的重要功能，不只在没有gps参考的情况下能减小累计误差，即便在有gps约束的情况下也能起到有效的作用，而这一点却是很容易被忽略的地方。很多人认为有了gps就可以不使用闭环修正了，而大量的实验结果表明，这是非常错误的想法。

2. 缺点

1）点云匹配精度不高。

这包括前端帧间匹配和闭环检测时的匹配，具体原因我们会在后面介绍到相应的代码时再讲。

二、功能分解

对整套系统的功能进行分解是为了能够更清晰的分析代码。这套系统的内部共包含四个主要功能项，所有的代码也是围绕着这四项功能展开的，它们分别是：

1. 地面平面检测

根据点云检测平面，并拟合平面得到平面的数学描述参数，供构建概率图使用。

2. 点云滤波

处理原始点云，得到稀疏点云

3. 前端里程计

帧间匹配，得到每一帧位姿

4. 后端概率图构建

这一项功能承担了整个系统中的大部分内容，它的主要功能又包括：

1）提取关键帧。

前端里程计得到的是每一帧位姿，而构建概率图只需要每隔一段距离取一帧就行，即关键帧。

2）读取gps、imu信息并加入概率图。

即使用gps、imu信息构建对应的边。

3）读取地面检测参数并加入概率图。

同样是构建边，只不过信息变了。

4）检测闭环，若成功，则加入概率图。

同样是构建边。

三、代码结构

完成上面的功能分析，我们就好分析代码了，因为代码是围绕功能展开的，而且代码结构和功能对应的很好，很清晰。

我们看下工程目录中主要文件夹及其内容：

1. apps：节点文件

节点文件就是生成可执行文件的代码文件，相当于整个程序的入口。对应上面四项功能，它也就有了四个.cpp文件，分别是：

• floor_detection_nodelet.cpp：地面平面检测
• prefiltering_nodelet.cpp：点云滤波
• scan_matching_odometry_nodelet.cpp：前端里程计
• hdl_graph_slam_nodelet.cpp：后端概率图构建

2. include：头文件

头文件又包含两个文件夹：

1）g2o

定义了各信息源对应的g2o中的边。因为很多信息在g2o中没有对应的边，需要自己定义。

具体定义了哪些边，我们会在后面详细介绍。

2）hdl_graph_slam

全部四项功能都在这个文件夹中，它包含以下文件：

• graph_slam.hpp：管理graph，即负责对概率图添加顶点和边。
• information_matrix_calculator：计算信息矩阵，信息矩阵即是概率图中边的权重。
• keyframe_updater：检测关键帧
• keyframe：关键帧对应的结构
• loop_detector：检测闭环
• map_cloud_generator：生成地图点云，即是拼接地图
• nmea_sentence_parser：处理gps信息，从nmea报文得到经纬高数据
• registrations：设置点云匹配方法（程序中给了多种方法供选择，此处是指定选择哪一种）
• ros_time_hash：管理rostime的小工具函数
• ros_utils：各类位姿矩阵表示形式之间转换的工具函数

3. src：源文件

它包含的所有cpp文件在include中都有对应的头文件，而他们的功能在include中已经介绍过了，所以我们不在此列出了，详细内容后面的文章会介绍。