BALM——对激光建图使用Local-BA

香港大学的研究介绍了BALM框架，利用位姿优化和自适应voxel划分增强点云一致性。LOAM结合局部BA，实现实时高精度定位。关键点包括特征协方差优化、多分辨率格网和局部地图细化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对每个scan通过位姿初值转换到世界坐标系上，多帧scan的点组成了一个“线”或“面”特征。计算一个特征内所有点的协方差矩阵A，通过优化A特征分解后的特征值最小。因为线特征，最大特征值表示线段方向，面特征，最小特征值表示面的法向量方向。本文推导了误差对点的雅克比矩阵和误差对位姿的雅克比矩阵。注意：本文中的地图点和位姿是相互独立的，因此，在实验中BALM可以在因为退化导致位姿走“之”字形时，点云依然保持一致性。
自适应voxel的划分，从1m分辨率通过八叉树划分到0.125m分辨率。目的是保证一个像素内只存在一个特征。做法是计算格子内点的特征向量，不满足条件则划分，直到格子内只有一个特征，或者格子内的点数小于阈值。本文共维护了两个voxel地图，一个edge的和一个plane的。这样做的好处是寻找最近邻时速度很快。
Remark：
1.当一个voxel点数很多时，就直接用每个scan在这个voxel中的平均值，进而减小（8）式中Hessian的维度。

2.

3. 平面在实现时可能是弯曲表面，因为本文允许大的协方差。

4.两种方式可以停止格子划分，1是达到了最大深度，2是格子内点的数目小于一个阈值。