参考博客：
https://zhuanlan.zhihu.com/p/111388877
http://tb.huitaofuwu.com/2020/03/14/%E8%AE%BA%E6%96%87%E5%9B%9E%E9%A1%BE%E4%B9%8BLOAM/
https://www.cnblogs.com/wellp/p/8877990.html
论文提出了一种方法可以同时获得低漂移和低复杂度，并且不需要高精度的测距和惯性测量。作者把复杂的SLAM问题一分为二，一个算法是高频率（10hz）低精度的odometry过程，另外一个算法是低频率（1hz）高精度的mapping过程，两者结合起来，可以做到低计算量、低漂移和高精度SLAM。如果IMU可用，则其速度测量值可以作为odometry的先验。
作者提出了新颖的方法就是提取边缘点和平面点作为特征点来使用，这种提取的方法就很简单只需要计算一个点前后五个点就可以得到该点的曲率，计算量就减少了很多。
LOAM算法流程
-
把t_k到t_k+1段的点云都投影大t_k+1段，这一过程就是运动补偿的过程，消除点云畸变。
odometry 和 mapping 的区别
- odometry 高频，mapping是低频；
- 优化的目标不同，odometry优化的是两帧之间的位姿；但是mapping优化的是1秒钟的点云在全局地图中的位姿；
- 优化用的特征点的数量不同，odo用的特征点数量很少（为了加速），但是mapping用的特征点的数量很多，为了提高精度；
- 找对应线和对应面的方式不同，odo是通过最近邻搜索得到，mapping是通过k近邻搜索+拟合（最小二乘）得到的。
