上一篇我们聊了VINS-Mono，视觉惯性里程计的经典方案。从这篇开始，我们进入激光SLAM的世界。说到激光SLAM，绕不开的就是LOAM。LOAM是2014年CMU的Zhang Ji（张吉）在RSS上发表的，到现在引用量已经破万了，堪称激光SLAM领域引用量最高的论文之一。这个算法厉害在哪？在LOAM之前，激光SLAM的方案大多计算量很大，实时性不好。LOAM用了一个很巧妙的思路：把点云里的特征分成边缘点和平面点，然后分别做配准，把计算量降下来了，实时性特别好。这个思路直接影响了后面一大批工作，LeGO-LOAM、LIO-SAM、FLOAM都是在这个框架上改进的。面试中激光SLAM几乎必问LOAM，你得把它的核心思想讲清楚，尤其是特征提取和配准策略这两块。搞懂了LOAM，面试中激光SLAM的问题基本能答个七八成。LOAM的整体架构LOAM的设计思路和视觉SLAM很像，也是前后端分离的。这个架构设计很优雅，把计算量大的建图任务交给低频线程，高频线程只关注位姿估计，两者互不干扰。前端：激光里程计（Lidar Odometry）。对每一帧点云，提取边缘点和平面点，和上一帧做配准，得到高频的位姿估计。这一步不做回环检测，追求速度，10Hz运行。前端只用了平面点做配准，因为平面点更稳定。后端：低频建图（Lidar Mapping）。把前端传来的位姿和点云融合，做全局一致性建图。频率低，1Hz就够了。后端会把所有特征点都用上，不只是平面点，所以建图效果比前端好。这个设计有个好处：前端快，后端慢，互不拖累。前端就算偶尔漂移，后端可以通过更精确的配准来修正。两个线程之间通过消息队列通信，前端把位姿估计发给后端，后端把更新后的地图发给前端做下一帧的匹配。