Lidar BA 方案后端部分的差异

近几年点云 slam 领域有一类文章不满足于仅估计 pose graph。尝试类似视觉 slam 中的 ba 方法，其致力于同时估计 feature 和 pose。本文内容上仅对比了这些方案在后端部分的差异，但是数据关联可能是在该类方案中更为重要的问题。

01 π - LSAM（2021）[3]

02  Eigen Factors（2019）[6] 

03  BALM（2020,2022）[1,2,7]

04  Plane Adjustment（2020,2021）[4,5]

论文 [5] 考虑滑动窗口下的估计，其增加了边缘化部分的约束，未边缘化部分代价同 (13) 。

窗口外的约束的 pose 固定，但边缘化部分约束仍对 plane 参数求偏导。文中推导了每个 plane 对应边缘化部分的 reduced 残差，该残差对平面参数的导数可以通过增量计算 Hj 后 cholesky 分解得到。

该论文中对比了 BALM。因将墙体、门等平面两侧视为两个平面进行优化，减少了错误的数据关联，在某些数据集上优于 BALM。

文章转载自公众号：ADS智库