本文是LOAM框架的開山大作，是近年來鐳射SLAM領域的一篇代表性的文章。
摘要：
本文主要貢獻在於，作者把複雜的SLAM問題一分為二，一個演算法是高頻率（10hz）低精度的odometry過程，另外一個演算法是低頻率（1hz）高精度的mapping過程，兩者結合起來，可以做到低計算量、低漂移和高精度SLAM。如果IMU可用，則其速度測量值可以作為演算法一的先驗。為了確保odometry的實時性，兩個演算法都需要提取線特徵和麵特徵。而在mapping演算法中，地圖的一致性是由區域性點雲簇的幾何分佈決定的，透過計算其特徵值和特徵向量。mapping過程使用ICP演算法來保證其高精度。
流程圖：
P為在鐳射雷達座標系下鐳射雷達掃描得到的點集，而Pk為第k次掃描得到的點集，而後分別進行兩種演算法——Lidar Odometry演算法 和 Mapping演算法。
Lidar Odometry演算法中： 鐳射雷達里程計取點雲，計算連續兩次掃描之間鐳射雷達的運動。並將估計得到的運動用於修正Pk中的畸變點。該演算法執行速率在10Hz左右。
Mapping演算法中：將經Lidar Odometry演算法去畸變的點雲以及鐳射雷達運動資訊結合來為環境建圖。該演算法的執行速率在1Hz左右。
Lidar Odometry：
（1）特徵點提取：
定義描述區域性表明光滑度的量：
在每一次掃描中，根據c值對點進行排序，來作為評價區域性表面平滑性的標準。c值最大的為邊緣點，c值最小的為平面點。
1、每一個區域性區域必須提取2個邊緣點和4個平面點。
2、並且所選的特徵點其周圍的點沒有被選擇。
（2）運動估計：
分別計算與特徵點相鄰近的線或面（corner對應線，surface對應面），然後計算點與線/面的距離：
將該距離作為cost function：
然後對位姿T求雅可比，使用高斯-牛頓法迭代最佳化T來降低cost function直至收斂。
Mapping：
完成一次掃描（sweep）後，然後進入建圖過程。 使用已有地圖去匹配和配準沒有畸變的點雲資料，以1Hz的頻率輸出。建圖過程如下：
特徵點的提取方式與前述方法相同。使用LM演算法最佳化位姿結果。
附：鐳射雷達基本效能指標
