点击“计算机视觉life”，选择“星标”
机器人AI干货第一时间送达
以下文章转载自智驾机器人技术前线
首先，话不多说，先把github链接发出来，github地址如下，快去star：
-
https://github.com/gaoxiang12/lightning-lm
上周，在逛github的时候，发现高博上传新代码，真的有种“神不知鬼不觉”的感觉，赶紧点进去，发现高博完整的开源了LiDAR SLAM框架，并实现了诸多实际工程中的方法，真的是在此造福SLAM行业呀，特别是在职的SLAMer，又可以好好学习了。对于在校学生，我觉得也是狂欢，可以欣赏一下高博的框架架构，值得好好学习，看看实际工业界的框架是如何搭建的。
下面，先展示一下高博在VBR数据集上的最终建图效果，目测建图精度和定位精度都非常高。因为gif实在太大，无法上传，大家可以去github主页看看。
看完demo之后，我来给大家简单梳理一下高博最新开源的lightning-lm这个架构的开发环境以及基本特性等。其实，如果熟悉高博的风格，大家都知道高博的readme写的非常完善，看完readme基本对编译，算法主要干了什么事情，都可以知道的一清二楚。
首先是最基础的开发环境。从readme来看，高博自测的环境应该是Ubuntu 22.04，在Ubuntu 20.04已经更高的版本上应该都可以流程编译。这个高博也强调了Ubuntu 20.04应该也可以编译通过，但是没有自测过。这里，如果有同学在Ubuntu 20.04上自测成功了，可以在评论区留言一下。借此机会，也可以和大家说一下，我知道很多人目前还在Ubuntu 18.04开发，这个开发环境实在太老了，可以换环境了，不然你编译很多最新的算法都会有问题。
对于环境依赖，感觉都是比较基础的，如PCL，OpenCV等。这里要注意的是，需要依赖ros2，在Dependencies的第一条，高博就列出来了“ros2 humble or above”。
紧接着，就是环境编译。其实，SLAM的编码没啥特殊，都是CMake管理的，大家自行去看即可。
说完了开发环境，下面就是重点要关注的。这个开源工程中，高博开发了哪些功能以及还有哪些正在开发的？这里我就直接复制高博readme中的原话了，写的非常详细。
lightning-lm已有的功能：
-
[done] 完整的3D Lidar SLAM，快速的LIO前端（AA-FasterLIO），标配 -
[done] 3D至2D地图转换（g2p5），选配，选上的话会输出实时的2D栅格，可以保存 -
[done] 实时回环检测，标配，选上的话会进行后端回环检测并闭环 -
[done] 流畅的高精3D Lidar 定位，标配 -
[done] 地图分区动态加载方案，适用大场景 -
[done] 动静态图层分离定位，适配动态场景，可选择动态图层的策略，选配，选上的话会保存动态图层的地图内容，有三种策略可以选（短期、中期、永久），默认永久 -
[done] 高频率IMU平滑输出，标配，100Hz -
[done] 轻量优化库miao以及增量式优化（来自g2o，但更轻更快，支持增量优化，不需要重新构建优化模型），标配，在回环、定位中均有用到 -
[done] 离线与在线两种验证方案。离线可以断点调试，一致性强。在线可以多线程并发，处理速度快，可以设置动态跳帧，占用低。 -
[done] 基于外推器和平滑器的高频率输出，平滑因子可调 -
[done] 高性能计算：以上这些特性在纯CPU端不到一个核心就可以运行（在线定位0.8个核，建图1.2个核，32线雷达，无UI情况） -
[done] UI显示闭环后轨迹 -
[done] 栅格地图保存为兼容ROS的形式 -
[done] 检查栅格地图的分辨率取值是否正常
不得不说，简直完美，开发者的福音，真的是发自内心的感叹！通过这些功能，大家可以明显看出，并不是一个简简单单的LIO框架，而是一个LiDAR SLAM框架，配备完整的前端和后端，前端是AA-FasterLIO，后端有回环检测，然后通过PGO优化。最后，还有一个点不能被忽视，就是外推器和平滑器模块。可能很多在学同学不太关注这个模块，这个模块是实际工程中必不可少。
这么一个完整的框架，大家感觉去学习吧，真的。这里也有一个特别值得注意的模块，就是高博给出了一个处理动态环境的方式，就是 “动静态地图分离定位”，这个模块在处理高动态场景是非常有效的，值得大家去学习和思考，以及进一步的优化。后期，有时间我可以给大家解析一下这部分代码的实现。
除了上述已有，还有一些待开发项，具体如下：
-
GPS地理信息关联，选配 (TODO) -
车辆里程计输入，选配 (TODO) -
强制2D输出 -
额外便利性功能（打开关闭定位，重新初始化，指定位置等）
通过待开发项，不难看出来，高博的目标应该是开源一个完整的基于LiDAR的多传感器融合架构。大家先去star，后续发布了，可以第一时间知晓。
开发完架构，就是测试。高博也给出了在VBR和NCLT上的测试结果，大家可以自行去看看。
最后，最重要的来啦。这么完美的架构，怎么跑我们自己的数据集呢？高博也贴心给出了解答，爆赞。这里，直接copy过来。
可以在配置文件中对lightning进行微调，打开或者关闭一些功能。常见的配置项有：
-
system.with_loop_closing 是否需要回环检测 -
system.with_ui 是否需要3DUI -
system.with_2dui 是否需要2DUI -
system.with_g2p5 是否需要栅格地图 -
system.map_path 地图的存储路径 -
fasterlio.point_filter_num 点的采样数。调大后点数会少一些，计算更快，但不建议调到10以上。 -
g2p5.esti_floor g2p5是否需要动态估计地面参数。如果雷达水平旋转且高度不变，可以关闭此选项. -
g2p5.grid_map_resolution 栅格地图的分辨率
好勒，整个项目的简单梳理就到这里了。总结下来就是：真的完美，是一个产品级的算法框架，赶紧去学习吧！
推荐阅读
详细介绍！超远距EDU-SCAN三维激光雷达扫描仪，为开放生态而生！
三维空间扫描仪化身机器人感知定位利器！
用于机器人自主定位导航、实景三维重建！
扫描仪+机器人，实时定位建图超简单！
隧道低纹理大摆锤，暴力SLAM！
暴力升级！暗黑隧道极限测试SLAM！
效果哇塞！3D高斯泼溅来实景重建公园！
全面启动！全国线下试用报名！
MetaCam EDU 产品功能及细节详细介绍
MetaCam EDU 实机展示和操作
