特征法激光雷达里程计（间接法激光雷达里程计）。先对点云提取一些简单的特征，对特征点进行配准，同时根据特征点本身的不同性质，采取不同的配准方法，实现更好的效果。LOAM系列包括LOAM，以及后续改进版本LeGO-LOAM，ALOAM，FLOAM，是自动驾驶行业中常用的开源方案，也是许多LIO系统的基础。对于一个多线激光雷达，应该提取什么样的特征？1. 特征应该能反应点云的特点。2. 可以使用ICP或

广义上，只要状态估计系统考虑了各传感器内在的性质，而非地将它们的输出进行融合，就可以称为紧耦合LIO系统。在松耦合LIO系统中，如果一个模块失效，就必须在逻辑上识别出它的失效，再想办法恢复成正常状态。而在紧耦合LIO系统中，一个模块的工作状态能够直接反映到另一个模块中，帮助它们更好地约束自身的工作维度。

本章关注实时的激光雷达定位系统。在点云地图的基础上，可以将当前的激光雷达扫描数据与地图进行匹配，获得车辆自身的位置，再与IMU等传感器进行滤波器融合。然而，点云定位并不像 RTK那样可以直接给出物理世界的坐标，而必须先给出一个大致的位置点，再引导点云配准算法收敛。因此，点云定位在实际使用时会遇到一些特有的逻辑问题。本章将使用第9章构建的点云地图，展示点云定位的使用方法，并演示一个基于卡尔曼滤波器的

判断关键帧时，从LIO中获取位姿，计算上一关键帧的位姿和当前位姿的相对运动，按照距离和角度阈值抽取关键帧，保存关键帧结果（点云数据）。遍历所有关键帧，获取其点云并进行体素滤波，对滤波后的点云计算每个点所在的网格id(gx,gy)，如果网格id不存在，就创建新的网格并把id和点云添加到新网格中，如果该id早已存在，则在id对应的网格中添加点云。在多数应用中，我们希望控制实时点云的载入规模，例如只加载