- 说明：使用方案主要涉及 机械激光雷达和IMU、固态激光雷达和IMU、激光雷达和IMU和GPS、激光雷达和IMU和相机 多传感器融合方案！
- 仅是从直观上对比各方案，如有错误，欢迎指正，也欢迎各位大佬交流。
- 对于其中涉及的固态方案，在这里适配了机械旋转机关雷达，后续会把方案涉及的所有程序上传到同一仓库
使用数据集
数据集名称 | 数据集传感器 | 点云是否含有ring、time | 数据集说明 | 真值说明 |
UrbanNav-HK_TST-20210517_sensors.bag | 多个机械激光雷达、IMU、双目相机、GPS | 是 | 城市环境、大回环、高动态 | 提供真值 |
park_dataset.bag | 机械激光雷达、IMU、GPS | 是 | 公园环境、树木特别多 | GPS提供真值 |
around_park_2021-09-24-11-36-03.bag | 固态激光雷达、IMU、 | 是 | 公园小场景 | 无 |
KITTI数据集 | 机械激光雷达、IMU、GPS | 不含time | 城市环境、多序列、有动态、部分含回环 | 提供真值 |
自己录制数据集 | 机械激光雷达、IMU、GPS、高精度惯导 | 不含ring、time | 学校环境和街道环境，上下起伏多，IMU精度低，16线机关雷达 | 高精度惯导提供真值 |
测试方案
支持方案名称 | 融合方式 | 传感器要求 | 后端 | 说明 | 论文 |
LIO-livox-modify | 激光雷达和IMU（松、紧） | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 不能回环，提供单激光、IMU只去畸变、原版支持IMU紧耦合，我的改进版本使用ikdtree管理地图，可实时！（LIO-livox 机械雷达，idtree版本） | 无 |
livox-mapping | 激光雷达和IMU（松、紧） | 支持固态激光雷达 | 滑窗优化 | SC回环，支持地面检测、地图显示（LIO-livox 回环版本） | 无 |
LIO-SAM-modify | 激光雷达和IMU（松） | 支持固态激光雷达、旋转激光雷达、GPS | 因子图优化 | 提供回环，IMU只用来去畸变，可以使用GPS | LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping |
SSL_SLAM3_modify | 激光雷达和IMU（紧） | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 不提供回环，添加了IMU去畸变（本身不含） | 无 |
fastlio2 | 激光雷达和IMU（紧） | 支持固态激光雷达、旋转激光雷达 | 滤波 | 不提供回环，使用ikdtree管理地图！ | FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter FAST-LIO2: Fast Direct LiDAR-inertial Odometry |
fast_lio_slam | 激光雷达和IMU（紧） | 支持旋转激光雷达 | 滤波 | 提供回环，使用SC！ 前端是fastlio2，回环sc-pgo！（fastlio2回环版本） | 无 |
faster-Lio | 激光雷达和IMU（紧） | 支持固态激光雷达、旋转激光雷达 | 滤波 | 不提供回环，使用iVox管理地图！（fastlio2的iVox版本） | Faster-LIO: Lightweight Tightly Coupled Lidar-Inertial Odometry Using Parallel Sparse Incremental Voxels |
r3live | R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual state Estimation and mapping | ||||
lvi-sam-modify | 激光雷达和IMU（松）、相机和IMU（紧）、vio和lio（松） | 支持固态激光雷达、旋转激光雷达、单目相机、GPS | 优化 | 提供RS、视觉回环，IMU只用来去畸变，LIO和VIO系统是松耦合！ | LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping |
LIOM | 激光雷达和IMU（紧） | 支持旋转激光雷达 | 滤波 | A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments | |
lili-om-modify | 激光雷达和IMU（紧） | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 提供回环，使用GTSAM全局优化 | Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping |
LINS | 激光雷达和IMU（紧） | 支持旋转激光雷达 | 滤波 | LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation | |
LIO-Mapping | 激光雷达和IMU（紧） | 支持旋转激光雷达 | 滑窗优化 | Tightly Coupled 3D Lidar Inertial Odometry and Mapping |
闭环说明
SC-PGO是一个接收里程计和点云，使用SC回环检测，构建GTSAM进行位姿图优化的独立包！！！ 方便进行回环检测和位姿图调整，以消除累计误差，构建全局一致的地图！
总结分析
调试了和跑通了目前基本的主流开源多传感器融合方案，从直观上进行了对比，没有从数据层面给出对比（接下来的事），因此很难做到准确，难免有错误的地方，欢迎指正！（具体的分析内容见另一个博客！）
- 在建图层面，lio-livox-modify效果看起来不错，点云很精细。
- 在轨迹精度上，lio-sam的轨迹最好，回环检测带来的效果十分明显！
- 在回环检测部分，除了lio-sam自带的回环以外，其余的方案都是采用SC-PGO实现的SC回环检测和全局位姿调整，对最终的建图和定位效果有很大的提升！
- 在运行效率上，lio-sam、lio-livox-modify方案以及滤波的方案fast-lio2能够做到实时（在我的电脑上，i5-12600KF、16GB内存、3060 12GB、固态硬盘）其余的方案不能实时（看git，可能是电脑要求高！）
总之，我的接下来重点是lio-sam（GTSAM因子图）、lio-livox-modify（滑动窗口）、fast-lio2（滤波方案），争取能够结合优点，构建一个更好点的SLAM系统（可能已经有了，我没关注到，希望有小伙伴多多交流）。
