计算机视觉与深度学习 ｜ 视觉+激光雷达+惯惯性SLAM算法汇总（原理，公式，代码）
视觉+激光雷达+惯性
- 1. LVI-SAM（Laser-Visual-Inertial SLAM）
- 2. MMF-LVINS（Multi-Modal Feature-based LVINS）
- 3. FAST-LIVO（Fast LiDAR-Inertial-Visual Odometry）
- 4. CamVox
- 5. Coco-LIC
- 6. FAST-LIO2
- 7. SLICT（Surfel-Based LiDAR-Inertial Mapping）
- 总结与对比
以下是对视觉（Visual）、激光雷达（LiDAR）和惯性导航（IMU）融合的SLAM算法的汇总，涵盖原理、公式及开源项目链接：
1. LVI-SAM（Laser-Visual-Inertial SLAM）
- 原理：
由MIT团队开发的紧耦合多传感器融合框架，包含视觉惯导（VIO）和激光惯导（LIO）两个子系统。VIO利用激光雷达提供深度信息，LIO依赖VIO的初始位姿进行点云匹配，两者通过因子图联合优化。当某一子系统失效时，另一系统仍可独立工作，提升鲁棒性。 - 关键技术：
- 视觉闭环检测优化激光雷达地图。
- 基于IMU预积分、滑窗优化的紧耦合策略。
- 公式：
状态估计通过因子图优化，目标函数为：