该repo主要记录对目前SLAM算法的注释版本，包括：
- ✔ FLOAM：⌨[code详细注释]
主要流程：
- ✔ FAST-LIO2：⌨[code详细注释]
- ✔ direct_lidar_odemetry：📖[文献解读]
$~~~$ ⌨[code详细注释]
✔ COIN-LIO：📖[文献解读]
-
总结分析：
- 优点：有效的隧道退化对抗方式，利用 LiDAR 的 intensity image 提取 patch 最小化光度误差来补偿退化方向上的信息缺失;
- 缺点：对 LiDAR 线束要求比较高，原作者使用的是128线Ouster雷达，可以提供比较密集的强度图像，本人使用40线雷达部署确实能有效抑制退化，但是垂直 LiDAR 方向， 由于 LiDAR 本身线束的稀疏性，会引入些许误差，并且随着距离增加，这个误差会越大。
-
退化检测效果：
- fast_gicp: code解析详情：fastgicp [working on]
- LIO-SAM：[working on]
- direct_inertial_lidar_odemetry：[todo]
-
FAST_LIO_LOCALIZATION：⌨[code详细注释]
$~~~$ 📖[Original Repository] -
总结分析：
- 这个库的思路比较简单，就简单说一下，其实关键就是三个
.py节点，详细看一下注释，目前我觉得这种做法不太稳定，对于fast-lio2本身没有改进，只是低频估计初始的map-to-odom的变换，将这个变换作用到 fast-lio2 的结果上。
- 这个库的思路比较简单，就简单说一下，其实关键就是三个
-
FAST_LIO_Localization_QN：⌨[code详细注释]
$~~~$ 📖[Original Repository] -
总结分析：
- 这个库的思路和
FAST_LIO_LOCALIZATION不完全一样，维护了历史关键帧，通过搜寻当前关键帧最近关联帧（意味着没有回环检测，就是欧式距离法），然后进行修正，不过都对fast-lio2本身没有改进，也只是低频估计和更新初始的map-to-odom的变换（没有实现rviz设置起点功能），将这个变换作用到fast-lio2的结果上。
- 这个库的思路和
-
BALM1：⌨[code详细注释]
$~~~$ ⭐[Original Repository]$~~~$ 📖[Paper Arxiv] -
总结分析：
- 前端：LOAM的线面特征优化得到初始位姿；
- 后端：维护VoxelMap对滑窗内的Pose进行优化，里面包括：
- 地图的初步更新cut+recut；
- 待优化Voxel的选取；
- LM法进行滑窗位姿优化；
- 地图边缘化固定一些Poses和地图信息等等；
- 虽然是2020年的工作，还是很经典的一个LiDAR SLAM工作，值得一读。
- open_vins：[working on]$~~~$📖[Original Repository]