开源3D激光SLAM算法的异同点、优劣势与适配场景总结

OAM、LeGO-LOAM、LIO-SAM、LVI-SAM、FAST-LIO系列是目前最主流的开源3D激光SLAM方案。它们在设计哲学、算法架构和适用场景上存在显著差异。本文系统梳理这些异同点并给出针对性的选型建议。一、算法架构的异同共同基础所有算法都继承了LOAM的核心思想——通过点云配准估计运动并维护局部或全局地图。特征提取边缘点/平面点、运动补偿、扫描匹配是它们共享的底层模块。核心差异LOAM是最原始的框架采用高频里程计10Hz与低频建图1Hz双线程架构不融合IMU。LeGO-LOAM在LOAM之上增加了地面点分离和点云聚类分割将位姿优化拆分为两步并引入了轻量化的回环检测专为地面车辆设计。LIO-SAM将整个系统重构为因子图框架将激光里程计、IMU预积分、回环检测、GPS观测统一为图优化问题并用滑动窗口控制计算规模。这是从“滤波”到“图优化”的架构跃迁。LVI-SAM在LIO-SAM的因子图基础上增加了视觉惯性系统VIS两个子系统互相提供初始化和冗余形成紧耦合的视觉-激光-惯性融合架构。FAST-LIO系列则走了另一条路——基于误差状态迭代卡尔曼滤波ES-IEKF不依赖图优化。FAST-LIO使用特征点FAST-LIO2改用原始点云直接配准并引入ikd-TreeFaster-LIO将ikd-Tree替换为iVox增量式体素哈希持续提升实时性。二、优劣势对比LOAM优势是代码简洁、架构清晰、对雷达安装方式无要求适合学术研究入门。劣势是没有IMU融合剧烈运动或高速场景下易漂移无回环检测长期运行存在累积误差KITTI上ATE约6.90米精度相对较低。LeGO-LOAM优势是计算效率高、轻量化、地面约束提升了垂直方向的稳定性适合低功耗嵌入式平台和UGV。劣势是强依赖水平安装的雷达对非结构化地面如楼梯、草丛适应性差回环检测较简单。LIO-SAM优势是因子图框架带来的全局一致性、支持多传感器融合IMU、GPS、回环检测成熟。劣势是计算开销较大对计算平台要求较高不包含视觉纯激光在退化环境中仍有风险。LVI-SAM优势是视觉-激光-惯性三重冗余在退化环境长廊、弱纹理、光照变化中鲁棒性最强。劣势是系统复杂度高需要精确的外参标定计算资源需求最高。FAST-LIO系列优势是实时性极佳FAST-LIO2可达100Hz以上Faster-LIO对固态雷达可达1-2kHzIEKF架构对高速运动1000°/s角速度适应性强直接配准原始点云通用性好。劣势是缺少回环检测长期运行存在累积漂移精度略低于LIO-SAM类图优化方案。三、适配场景总结场景推荐算法理由地面机器人结构化路面LeGO-LOAM地面优化效率高轻量化地面机器人非结构地形LIO-SAM 或 FAST-LIO2不需要水平安装通用性强无人机/手持设备FAST-LIO系列实时性高运动适应性强退化环境长廊/隧道/弱纹理LVI-SAM视觉-激光互补鲁棒性最强高速运动场景FAST-LIO系列IEKF反向传播运动补偿资源受限嵌入式平台LeGO-LOAM 或 Faster-LIO计算开销低处理效率高需要全局回环与长期一致性LIO-SAM因子图回环检测成熟学术研究与算法学习LOAM / A-LOAM架构简洁无额外依赖固态雷达Livox等FAST-LIO2 / Faster-LIO直接配准原始点云无需特征提取四、选型决策简表只有激光雷达→ LOAM / LeGO-LOAM需水平安装激光IMU追求实时性→ FAST-LIO2 / Faster-LIO激光IMU追求全局精度→ LIO-SAM激光IMU相机需要高鲁棒性→ LVI-SAM计算资源紧张→ LeGO-LOAM / Faster-LIO高速运动或固态雷达→ FAST-LIO系列没有一种算法在所有场景下都最优。理解各方案的架构差异和性能边界根据平台、传感器、计算资源和任务要求做出权衡才是工程落地的正确思路。