专栏系列文章如下：

一：Tixiao Shan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客

二.激光SLAM框架学习之A-LOAM框架---介绍及其演示_goldqiu的博客-CSDN博客

三.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---1.项目文件介绍（除主要源码部分）_goldqiu的博客-CSDN博客

四.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---2.scanRegistration.cpp--前端雷达处理和特征提取_goldqiu的博客-CSDN博客

五.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---3.laserOdometry.cpp--前端雷达里程计和位姿粗估计_goldqiu的博客-CSDN博客

六.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---4.laserMapping.cpp--后端建图和帧位姿精估计（优化）_goldqiu的博客-CSDN博客

七.激光SLAM框架学习之A-LOAM框架---速腾Robosense-16线雷达室内建图_goldqiu的博客-CSDN博客

八.激光SLAM框架学习之LeGO-LOAM框架---框架介绍和运行演示_goldqiu的博客-CSDN博客

九.激光SLAM框架学习之LeGO-LOAM框架---速腾Robosense-16线雷达室外建图和其他框架对比、录包和保存数据_goldqiu的博客-CSDN博客

十.激光SLAM框架学习之LeGO-LOAM框架---算法原理和改进、项目工程代码_goldqiu的博客-CSDN博客

十一.激光惯导LIO-SLAM框架学习之LIO-SAM框架---框架介绍和运行演示

十二.激光SLAM框架学习之livox-loam框架安装和跑数据集_goldqiu的博客-CSDN博客_livox 数据集

十三.激光SLAM框架学习之livox-Mid-70雷达使用和实时室外跑框架_goldqiu的博客-CSDN博客

十四.激光和惯导LIO-SLAM框架学习之惯导内参标定_goldqiu的博客-CSDN博客

十五.激光和惯导LIO-SLAM框架学习之惯导与雷达外参标定（1）_goldqiu的博客-CSDN博客

十六.激光和惯导LIO-SLAM框架学习之配置自用传感器实时室外跑LIO-SAM框架_goldqiu的博客-CSDN博客

十七.激光和惯导LIO-SLAM框架学习之IMU和IMU预积分_goldqiu的博客-CSDN博客

固态雷达LIVOX-MID-70跑Livox-loam框架：

可以看见单固态雷达的效果还是很不错的。但是由于没有保存地图的功能，无法仔细看近处地面目标效果如何。

速腾机械式16线雷达跑A-LOAM框架

很明显的看到在大范围场景下A-LOAM框架的雷达里程计漂了，目前没有保存地图仔细分析的必要。

速腾机械式16线雷达跑LEGO-LOAM框架

效果比A-LOAM要好，同时代码更轻量化了，明显的表现是rviz查看全局点云图时不会卡了。同时lego-loam做了地面点的提取，可以将地图保存下来分析下。

速腾机械式16线雷达和SBG惯导跑lio-sam框架

可以看到LIO-SAM作为lego-loam的升级框架，增加了IMU的约束，地图整体和细节看都会比较好，具体还得保存地图查看精度，或者用SLAM轨迹精度评估工具evo等进行建图和定位精度的评估。

两次测试数据对比

12月3日地图在CC打开效果：

白色点为截取的无人车运动轨迹路边最近教学楼的墙。

可以看到厚度是3M，特别厚。

而11月8日测的数据如下：

地图在CC打开效果：

白色点为截取的无人车运动轨迹路边最近教学楼的墙。

可以看到厚度是25cm，厚度可以接受（在粗略标定过的情况下）。

两次数据对比说明：

12月3日数据没有进行标定，11月18日的进行了实验室场景的粗略外参标定，效果明显好了很多。

测试结论：

1.固态雷达由于它的特性，建图效果比较好，但需要写保存点云地图的程序，或者用EVO精度评估。

2.lego-loam的高效运行框架和地面点的提取可以参考，但需要写保存点云地图的程序，或者用EVO精度评估。

3.lio-sam需要进行外参标定，比较必要。