A fast, complete, point cloud based loop closure for LiDAR odometry and mapping

文章二的贡献是提出一种基于LOAM的闭环检测方法。

解决的问题主要包括：

a、地图由哈希表和八叉树组成，方便加速地图配准；

哈希表可以根据cell中心坐标（键）快速地找到某个具体的cell（值）。global octree可以找到一个具体区域的所有网格（体素内近邻查找）。

b、参考CV，提出一种2D直方图来决定是否检测到回环，即作者自己提出的描述符；

既然是描述符，那么必然要实现尺度与旋转不变形。代码的做法是由每个关键帧所有平面特征网格的法向量（基于世界坐标系）组成协方差矩阵，特征值分解后，得到它的特征向量（代表运动的最大方向）组成旋转矩阵R，再对此关键帧的每个线特征网格与面特征网格的特征向量乘以R的逆矩阵，理想情况是全部归一到世界的基坐标系，至此达到旋转不变性的目的。

完成上述操作后，建立属于每个关键帧的两个直方图（线特征与面特征）。

计算直方图的相似性。直方图相似性的计算方式也很多，作者使用相关度这个度量标准来衡量是否回环了，但我狭隘地认为这是非常局限的。实验证明在长走廊等退化场景下，这种评价方式完全不够用，代码会多次检测到回环，所以作者设计代码时加了另一个核心评价指标（但没体现在paper里）：icp计算后的两个关键帧之间的距离误差。当此误差小于0.2m，才认为真正检测到回环。

要是cell格子太碍眼，也可以不显示cell。反正我不想显示它。

但是与同学讨论时，发现大家对paper里旋转矩阵R的看法不尽相同。为了验证paper里的旋转矩阵R的具体作用是啥，我写了一个demo。

使用PCL PCLVisualizer类，可视化显示有R与无R时（作者能力有限，默认有R；无R的效果，使用者可自改代码，其实是懒），cells的特征向量方向到底是如何变化的。

经过实验验证，R的作用确实如paper所言，让最多的特征向量方向躺在X轴方向，次多的特征向量方向躺在Y轴上。想法之骚气，感天动地。