LOAM是该方向的开山鼻祖，其主要的贡献在于使用前端里程计和后端建图优化两个线程（可能借鉴了视觉SLAM思想？），实现一个高精度激光SLAM系统， 该系统实际实验中采用的硬件是一个平面激光雷达加一个旋转轴，也取得优异的结果。

困难点：激光数据接收时间不同，运动导致的畸变很明显严重， 不利于后续的定位建图。
解决办法：采用两个线程（前端frame-frame里程计 + 后端frame-map优化）进行定位建图任务。

常见的激光视觉惯性里程计采用卡尔曼滤波或者因子图优化的方法，但作者观察到，本体位姿估计的漂移频率远远低于模块自身的运行频率，因此采用从粗到细的流水线pipeline，该方法采用一种模块化的数据处理流程用于处理图像、imu和雷达数据，并通过多层次的优化来进行运动估计和建图， 该流程如下图所示

主要贡献如下：

• We propose a modularized data processing pipeline to leverage range, vision, and inertial sensing for motion estimation and mapping through mulilayer optimization. Therefore, it achieves high accuracy and low drift.提出一种模块化的数据处理流程，利用雷达、视觉和惯性数据进行基于多层次优化的运动估计和建图；
• The proposed pipeline is dynamically reconfigurable. It fully or partially bypasses failure modules and combines the rest of the pipeline to handle sensor degradation. Therefore, it can handle environmental degradation and aggressive motion. 所提方法具有动态自适应，可以应对传感器退化的情况；
• The proposed pipeline employs a two‐level voxel representation and a multithread processing implementation to accelerate scan matching.所提流程采用两层次的体素表征方法来描述地图，并采用多线程加速匹配；
• The proposed pipeline is extendable to localization on an existing map and therefore can enable collaborative mapping, for example, between ground and air。所提流程被扩展到基于给定地图的定位，因此也可用于协同建图。
  这个算法可分为四个子系统：IMU预测子系统， VIO子系统和雷达匹配子系统。

LOAM的限制：计算资源较大， 低算力平台难以满足，因为它需要计算稠密三维点云的每一个点特征；当应用与地面无人车时，地面及其附近元素引起的噪声将一直影响算法。
解决办法：针对地面附近元素带来的干扰，提出使用地面分割的方法以提高对地面附近不稳定元素的适应性；针对算力问题，提出使用两阶段优化法来估计位姿：首先利用地面来估计[$t_z$, ${\theta }_{roll}$, ${\theta }_{pitch}$]，然后利用剩下部分的边缘点元素来估计其余的[$t_x$, $t_y$, ${\theta }_{yaw}$]，使得整个系统可以在嵌入式平台上面实时运行。

整个算法流程框图如下：

该方法是LIS与VIS的集成，且两者之间又互相促进，其中VIS为LIS提供初始位姿估计，支持后者的匹配，LIS则为VIS提供更好的初始化和特征深度值，利用VIS做回环检测，利用LIS进行之后的回环校验。这两个系统只要有一个正常，整个系统就可以正常运行，展示了很好的系统鲁棒性。

VIS系统借鉴使用了VINS-MONO，但利用了Lidar数据辅助初始化，并给特征值赋予深度值。
LIS系统则利用LIO-SAM。
简言之，LVI-SAM = VINS-Mono + LIO-SAM + 视觉与激光之间的辅助。

主要贡献：提出一种在MSCKF框架上的雷达-惯性-视觉里程计，同时具有传感器外参标定功能。熟悉MSCKF的就懂，下面会涉及一大堆的数学推倒。

参考师兄大佬的论文导读
主要内容是在MSCKF和OpenVINS框架中加入激光测量信息，借鉴了视觉SLAM的pipeline，提出了一种新的激光-惯性-视觉里程计：LIC-Fusion2。它的前身是LIC-Fusion，在此基础上加入了如下特性：

• 将激光平面特征的跟踪从相邻两帧扩展到滑动窗口中的多帧中，并提出一种先进的用于改进平面跟踪的外点去除方法;
• 在状态变量中加入激光平面特征。同时估计滑窗中的传感器位姿，视觉特征点和激光平面。

该方法采用LOAM的方法提取平面点，并用平面点拟合得到平面，该版本并没用到LOAM中的边点特征，但在future work中提到会研究基于边缘特征的跟踪。

详情的论文导读可以参考师兄的博客【论文阅读41】LIMO: LiDAR-Monocular Visual Odometry

本方法是一个典型的激光辅助视觉的SLAM方法，主要贡献思想是提出了一种基于LiDAR点云的视觉特征点深度估计方法，如下流程所示，该方法被用于后续的多种视觉-雷达融合方案所借鉴。同时针对关键帧选择，特征点选择等工程优化方面提出许多策略。思路简单，但取得的效果很好。
从雷达数据中获取特征点深度距离的方法：
1）首先寻找该特征点周围的矩形框内的激光点。
2）然后对这些激光点按照深度进行划分。
3）寻找最靠近该特征点的深度区间的点云，拟合平面。
4）我们认为该特征点位于该平面上，根据光心和特征点的连线与平面的交点记为该特征点的深度。
5）检测估计深度的准确性：光心和特征点连线与平面的夹角必须小于某个阈值；拒绝深度高于30m的特征点以防外点。

利用点线特征的激光雷达-视觉里程计，详细论文解读可参考https://zhuanlan.zhihu.com/p/153264331

该方法是一个典型的激光辅助视觉的里程计方案，从视觉图像中提取点线特征，而后从激光数据中获得点线的深度距离信息，用于恢复尺度和执行后续的ICP位姿估计。

主要贡献：

• 我们以紧耦合的方式融合了激光雷达、惯导、视觉的数据，实验证明我们的方法可以鲁邦处理包括剧烈运动、传感器退化、甚至是有很多移动物体的隧道场景，包括激光雷达只有很小FoV的场景。
• 我们提出的框架包括一个高频运行的基于滤波方法的里程计模块，和一个低频运行的基于因子图的优化模块。里程计模块以一个kalman滤波器迭代融合雷达、惯导、视觉传感器，取得了实时的状态估计。因子图优化模块进一步优化滑窗内的各传感器位姿和视觉地图点位置。

流程图：

该方法由一个基于误差的迭代卡尔曼滤波器和一个基于因子图的图优化模块组成。

迭代卡尔曼滤波器采用标准的卡尔曼流程，IMU作为预测，激光雷达或者视觉作为观测。滑窗优化则借鉴了VINS-Mono的方法，该因子图如下图所示，其中雷达帧位姿和和激光雷达特征在滑窗中保持不变。

该方法包含两个子系统：激光雷达-惯性里程计 (LIO) 和视觉-惯性里程计 (VIO)。其中LIO (FAST-LIO) 利用 LiDAR和惯性传感器的测量数据构建全局地图几何结构（3D 点云位置）；VIO 利用视觉-惯性传感器的数据来渲染地图纹理（3D 点云颜色），同时VIO 还通过最小化帧到地图的光度误差来直接、有效地融合视觉数据。
主要贡献：

• 提出了一个融合框架，包含定位建图和上色，框架里包含一个LIO模块和一个VIO模块，整个系统可以实时的重建密集3D彩色环境。
• 基于彩色RGB点云提出了一个新的VIO系统，通过最小化三维地图点颜色和该三维点在当前图像帧中的颜色的光度误差，避免了提取突出的视觉特征点的需求，提升了运行速度，并且使得这个VIO对于无纹理环境更加鲁棒。
  从系统处理流程来看，该方案是一个松耦合融合激光雷达和视觉的方法。
  

详细论文解读可参考：【论文阅读16】Stereo Visual Inertial LiDAR SLAM

双目视觉里程计采用的是，采用光流跟踪、滑窗和边缘化思想，类似双目VINS。

雷达建图部分有借鉴LOAM的思路，通过最小化点-线和点-面特征来进行基于雷达的定位建图，使用高频的VIO位姿提供初始位姿进行帧图匹配和点云去畸变。同时，雷达数据被用于回环时提供ICP匹配来提高回环检测的准确率。

不同于之前的视觉雷达slam，将视觉的结果作为雷达的初始值，或者雷达给视觉提供深度测量值，本方法采用BA的方法在后端同时优化视觉残差和雷达残差。为了实现大规模的BA优化，本方法借鉴使用ORB_SLAM2和LOAM，关注后端准确而有效的雷达残差压缩。本方法主要贡献如下：

• 视觉和雷达测量都被用于运动估计，利用视觉和雷达运动的交叉校验来去除外点，克服视觉或者雷达退化的情况，在但传感器退化的情况下获得了相较独立视觉或者雷达方法更高的精度。
• 视觉和雷达的回环检测在闭环阶段被联合使用以确保高精度。为了提升计算效率，我们提出通用雷达因子（GLF）以将多雷达残差压缩成六维残差；
• 视觉-雷达融合框架被拓展成具有标定功能的SLAM，以缓解不准确的外参带来的不利影响；
• 在KITTI上取得非常好的效果。

融合Lidar后的改进：

• 视觉位姿跟踪后，计算雷达的scan-map注册，并通过视觉-雷达紧耦合来进一步优化位姿；
• 在局部和全局BA时加入额外的雷达残差和雷达子地图原点位姿
• 在视觉回环检测之外新增额外的基于雷达的回环检测模块；
• 为了更好地评估SLAM精度，SLAM流程被修改成单线程和阻塞式；