論文導讀：LOAM——把光達里程計拆成高頻粗估與低頻精修兩條並行流程
Ji Zhang, Sanjiv Singh · 2014原文連結
論文資訊卡
- 標題：LOAM: Lidar Odometry and Mapping in Real-time
- 作者：Ji Zhang、Sanjiv Singh（Carnegie Mellon University）
- 發表：Robotics: Science and Systems (RSS), 2014
問題背景
用旋轉式光達（2 軸掃描、6 自由度移動）做即時里程計與建圖，核心困難在於光達掃描本身不是瞬間完成的——掃描一整圈通常需要一定時間，如果感測器在掃描期間持續移動，同一次掃描裡不同角度量測到的點，其實對應到感測器在不同時刻、不同位置的觀測，直接把這些點當成同一個時刻的靜態快照拼湊起來會產生運動畸變（motion distortion）。在SLAM 完整原理一文討論的圖優化框架下，要精確處理這個問題，通常需要對整條軌跡做完整的非線性最佳化，但這類方法計算成本高，很難同時做到即時運行與低漂移精度。
方法核心：兩個不同頻率的演算法並行運作
LOAM 的核心設計，是把里程計估計拆成兩個獨立、以不同頻率運行的子演算法，這是這篇論文最具代表性的架構決策：
高頻里程計（Odometry）：以較高的頻率（例如 10 Hz）運行，從連續兩次掃描之間，抽取邊緣特徵（edge feature，掃描線上曲率變化劇烈的點，通常對應物體邊角）與平面特徵（planar feature，曲率變化平緩的點，對應牆面、地面這類平坦表面），透過這些幾何特徵在相鄰掃描之間的對應關係，快速估計感測器的相對運動。這個演算法運行頻率高，但因為每次只用相鄰兩次掃描做匹配，估計精度相對粗略，長時間運行會累積漂移。
低頻建圖（Mapping）：以較低的頻率（例如 1 Hz）運行，把高頻里程計估計出的粗略運動軌跡，拿去跟已經累積建立的地圖做更精細的特徵匹配與位姿精修，得到精度更高的最終位姿估計，同時把新掃描到的點雲整合進地圖。因為運行頻率低，建圖演算法有更充裕的計算時間預算，能做更精確、涉及更大範圍點雲的匹配最佳化。
高頻里程計提供即時、低延遲的粗略位姿估計，低頻建圖提供精度更高但延遲較大的修正——兩者的估計結果最終被融合起來，取得兼顧即時性與精度的整體效果。這種「快速粗估 + 較慢精修」雙頻率並行架構，讓 LOAM 不需要依賴高精度的距離量測硬體、也不需要額外的慣性量測單元（IMU）輔助，單靠光達本身的幾何特徵匹配，就能達到跟當時最好的離線批次處理方法相當的精度水準，同時維持即時運算的計算複雜度。
影響與定位
LOAM 開創了基於邊緣與平面幾何特徵的 3D 光達 SLAM 這整條研究路線，「高頻粗估 + 低頻精修」的雙頻率架構思路，後續被大量光達 SLAM 系統沿用與擴展，包括 LeGO-LOAM（針對地面車輛場景做輕量化改良）、LIO-SAM（把 LOAM 的前端跟圖優化後端、IMU 緊耦合結合起來）等一系列被廣泛使用的開源系統，都是在 LOAM 奠定的特徵抽取與匹配框架基礎上做延伸。這篇論文也是理解SLAM 完整原理一文中提到「前端與後端架構切分」思路在光達 SLAM 領域的具體實作案例——LOAM 的高頻里程計扮演前端角色，快速處理原始感測器資料，低頻建圖則承擔更接近後端的精修與地圖維護職責。