A-LOAM/LOAM 优化方向综述：激光SLAM的十年演进之路

前言A-LOAM 是 LOAM (2014) 的简化实现虽然代码优美、适合学习但在实际应用中存在明显短板无回环检测、无IMU融合、动态环境脆弱、地面点冗余。本文梳理了 2014-2025 年 LOAM 系列的所有重要改进方向展示激光SLAM从能用到好用的完整演进路径。1. LOAM 家族演进全景图LOAM (Ji Zhang, 2014) │ 核心思想特征提取 里程计/建图解耦 │ 问题代码不可读手动Jacobian │ ├── A-LOAM (Qin Tong, 2019) │ 改进Eigen Ceres 自动求导代码可读 │ 问题无回环、无IMU、无地面优化 │ ├── LeGO-LOAM (Shan, 2018) │ 改进地面分割 轻量级 回环检测 │ 适用UGV 地面机器人 │ ├── LIO-SAM (Shan, 2020) │ 改进IMU紧耦合 GPS因子 因子图优化 │ 适用多传感器融合场景 │ ├── LIO-SAM-ROS2 (2023) │ 改进ROS2 Humble 移植 │ ├── Fast-LIO (Xu, 2020) │ 改进迭代卡尔曼滤波(IESKF)替代优化 │ 适用无人机高速机动 │ ├── Fast-LIO2 (Xu, 2021) │ 改进ikd-Tree 增量KD树 直接法 │ ├── Faster-LIO (Xu, 2022) │ 改进点云不降采样 iVox体素 │ ├── Point-LIO (Xu, 2023) │ 改进逐点处理极致实时性 │ ├── DLIO (Chen, 2023) │ 改进可变形 LiDAR-惯性里程计 │ └── FAST-LIVO / FAST-LIVO2 (Xu, 2023-2024) 改进激光-视觉-惯性紧耦合2. 方向一回环检测LOAM 最明显的缺失2.1 问题A-LOAM 纯靠里程计递推无回环检测。长时间运行后漂移会无限累积。KITTI 序列00 跑完约 4km 后A-LOAM 的漂移可达几十米。2.2 代表方案LeGO-LOAM 的回环检测当前位姿 │ ▼ 历史位姿中搜索最近邻 (欧氏距离 7m) │ ▼ 时间差验证 ( 30秒前到访过) │ ▼ ICP 匹配验证 (fitness score 阈值) │ ▼ 添加回环因子到因子图 → 全局优化SC-LeGO-LOAMScan ContextScan Context 是一种旋转不变的全局描述子用于地点识别1. 将3D点云按方位角和半径分为扇形栅格 2. 每个栅格取最大高度 → 形成 2D 矩阵 (Scan Context) 3. 列偏移搜索 → 实现旋转不变性匹配 4. 与 ICP 配合 → 先粗匹配后精配准方法回环召回率误检率实时性LeGO-LOAM中中高Scan Context高低中Stable Triangle Descriptor高极低中Intensity Scan Context极高低中需要反射率3. 方向二IMU 融合从 LOAM 到 LIO3.1 纯激光的局限快速旋转/激烈运动时Scan-to-Scan 匹配失败几何结构退化场景长走廊、开阔地精度骤降无法提供高频状态估计低于 LiDAR 10Hz3.2 融合方案对比方案融合方式代表系统适用场景松耦合IMU 独立解算姿态与 LiDAR 结果加权融合早期方案低动态紧耦合-优化IMU 预积分因子加入因子图LIO-SAM中等动态紧耦合-滤波IMU 状态预测 LiDAR 更新Fast-LIO / Fast-LIO2高动态3.3 LIO-SAM —— 因子图紧耦合因子图结构 ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ │IMU因子│──│LiDAR │──│GPS因子│──│回环 │ │ │ │ 因子 │ │ │ │ 因子 │ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ │ │ │ │ └─────────┼─────────┼─────────┘ ▼ ▼ ┌──────────────────┐ │ 位姿状态节点 │ │ (位置姿态速度偏置)│ └──────────────────┘ │ ▼ ┌──────────────────┐ │ GTSAM 全局优化 │ │ (iSAM2 增量) │ └──────────────────┘LIO-SAM 的创新点IMU 预积分提供帧间约束和高频状态预测为 LiDAR 匹配提供先验位姿大幅提升匹配成功率GPS 因子消除长期漂移GTSAM iSAM2 增量优化比批量优化快 100 倍3.4 Fast-LIO2 —— IESKF ikd-TreeFast-LIO2 是当前无人机激光SLAM的最高水平传统方法A-LOAM 特征提取 → 找对应 → Ceres优化 → 耗时 20-80ms Fast-LIO2 IMU 前向传播(预测) → ikd-Tree 极速找对应 → IESKF 更新 → 1-3ms 核心创新 ikd-Tree增量 KD-Tree支持 O(log n) 的增删改查 直接法直接在原始点云上配准不需要特征提取 IESKF迭代误差状态卡尔曼滤波等价于 Gauss-Newton 优化系统耗时(ms)ATE(cm)适用性A-LOAM~80ms0.8 (低速)差无IMULIO-SAM~30ms0.5中Fast-LIO2~3ms0.3极好2000°/s角速度Point-LIO~0.1ms0.4极致实时逐点处理4. 方向三地面分割与优化4.1 问题A-LOAM 将地面点作为普通面点处理但地面点数量巨大占 VLP-16 的30-40%导致面特征中地面点占比过高缺乏垂直方向的约束优化计算量大4.2 LeGO-LOAM 的地面分割1. 将点云按水平角度分为 1800 份 2. 每份取最低点 → 估计地面 3. 计算相邻两列的地面点角度差 angle atan2(dz, sqrt(dx²dy²)) if angle 10° → 地面点 4. 地面点单独用于面特征提取 5. 非地面点用于角特征提取 结果 - 地面点 → 稳定的面特征提供roll/pitch/z约束 - 非地面边缘点 → 角特征提供x/y/yaw约束4.3 Travel 地面约束在一些改进方案中还会添加地面约束因子误差 |当前帧地面点到历史地图地面的距离| 约束 yaw(偏航) 方向漂移长走廊中最显著的漂移方向5. 方向四动态环境鲁棒性5.1 问题A-LOAM 假设场景是静态的动态物体行人、车辆上的激光点会产生错误的对应关系。5.2 解决方案方案方法代表工作点云减法先建立背景地图运行时减去背景剩动态点 → 剔除Dynamic-LOAM跟踪预测使用 Kalman 滤波器跟踪动态物体预测其位置并剔除对应点DynaSLAM II深度学习RangeNet / SqueezeSeq 逐点语义分割直接剔除人车标签的点SuMa一致性检查匹配后检查残差分布大残差点来自动态物体 → 剔除ERASORERASOR2021的核心思想1. 用当前扫描与历史地图做差 → 得到候选动态区域 2. 在候选区域中做区域生长 → 找出完整动态物体 3. 移除动态物体对应的历史地图点 → 得到干净地图6. 方向五多传感器融合6.1 融合层次传感器数据 │ ├── 数据层融合 (前融合) │ └── 原始数据联合标定后统一处理 │ └── 代表FAST-LIVO2 (LiDAR相机IMU联合) │ ├── 特征层融合 (中融合) │ └── 各自提取特征后联合优化 │ └── 代表LVI-SAM (LV-SAM视觉LI-SAM雷达分支) │ └── 决策层融合 (后融合) └── 各传感器独立输出后加权融合 └── 代表简单互补滤波6.2 主流多传感器SLAM系统系统传感器融合方式特点LIO-SAMLiDARIMUGPS因子图多传感器紧耦合LVI-SAMLiDAR视觉IMU两个子系统互补纹理结构双重鲁棒R3LIVELiDAR视觉IMUIESKF实时彩色点云重建FAST-LIVO2LiDAR视觉IMUIESKF直接法最高效DLIOLiDARIMU可变形配准修正运动畸变7. 方向六轻量化与嵌入式部署7.1 计算瓶颈分析A-LOAM 在 Desktop CPU 上的单帧耗时模块耗时占比特征提取5-10ms15%KD-Tree 构建搜索20-40ms40%Ceres 优化求解15-30ms30%其他IO等5-10ms15%KD-Tree 搜索是最大瓶颈。7.2 加速方案方案技术加速效果ikd-Tree增量KD树就地更新3-5x (Fast-LIO2)iVox空间哈希体素替代KD-Tree5x (Faster-LIO)点云降采样体素滤波减少点云密度2-3xGPU并行CUDA 加速 nearest neighbor 搜索10xARM NEONSIMD 加速点云运算2-3xFPGA硬件加速点云配准流水线10x7.3 嵌入式平台适配平台算力可行方案Jetson Orin275 TOPSLIO-SAM / Fast-LIO2Jetson Xavier NX21 TOPSLeGO-LOAM 可运行Raspberry Pi 5约0.1 TOPS需大幅简化仅2D激光STM32 FPGA异构专用硬件加速8. 方向七深度学习融合8.1 基于学习的特征提取传统曲率 → 角点/面点 (手工设计对噪声敏感) 学习MobileNet/PointNet → 点级特征描述子 ↓ 更鲁棒、噪声更少代表工作DeepLO用 PointNet 提取点云特征替代手工曲率8.2 基于学习的点云配准传统KD-Tree 最近邻 → 点到线/面距离 学习DCP / RPM-Net / GeoTransformer → 直接预测对应关系 ↓ 对初始位姿更鲁棒退化场景更稳定8.3 基于学习的地点识别传统Scan Context / 手工全局描述子 学习OverlapNet / LCDNet → CNN/Transformer 全局描述子 ↓ 对视角变化、季节变化更鲁棒9. 各系统特点速查表系统发表年份传感器回环IMU优化方式代码难度推荐场景A-LOAM2019LiDAR✗✗Ceres★★学习入门LeGO-LOAM2018LiDAR✓✗GTSAM★★地面机器人LIO-SAM2020LiDARIMUGPS✓✓GTSAM/iSAM2★★★多传感器融合Fast-LIO22021LiDARIMU✗✓IESKF★★★★无人机Faster-LIO2022LiDARIMU✗✓IESKF★★★★高速场景Point-LIO2023LiDARIMU✗✓IESKF★★★★★极致实时FAST-LIVO22024LiDAR视觉IMU✗✓IESKF★★★★★多模态融合10. 总结激光SLAM的优化方向可以概括为三板斧加回环从无回环的 LOAM 到有回环的 LeGO-LOAM/LIO-SAM消除长期漂移加IMU从纯激光 LOAM 到激光-惯性 LIO-SAM/Fast-LIO2提升高动态鲁棒性加效率从 Ceres 优化到 IESKF 滤波从 KD-Tree 到 ikd-Tree实现毫秒级实时2024-2025年的最新趋势是多模态紧耦合FAST-LIVO2和逐点实时处理Point-LIO激光SLAM正在向零延迟、全场景、多传感器的方向演进。