由粗到精学习 LVI-SAM： imageProjection模块

一、LVI-SAM的节点关系

运行LVI-SAM，并打开rqt_graph，查看节点关系如图所示：

激光雷达原始数据的topic为/points_raw，观察发现它仅被imageProjection节点订阅，因此我们分析这个节点。

imageProjection节点订阅三个节点：points_raw节点、imu_raw节点、和imu_propagate_ros节点，并被cloud_info节点订阅。（rviz可视化部分暂不考虑）

可以猜想出，imageProjection节点的主要功能是将点云投影变成类似于图片的格式，进行一些预处理方便后续的slam过程。

二、主函数

int main(int argc, char** argv)
{ros::init(argc, argv, "lidar");本node的主要工作都体现在ImageProjection的构造函数当中ImageProjection IP;ROS_INFO("\033[1;32m----> Lidar Cloud Deskew Started.\033[0m");创建三个相同的线程，在A线程忙碌的时候启用B线程，A,B线程都忙碌的时候启用C线程ros::MultiThreadedSpinner spinner(3);spinner.spin();return 0;
}

三、ImageProjection类

3.1 父类ParamServer类

ParamServer是一个重要的类，它的子类包括：

FeatureExtractionIMUPreintegrationImageProjectionmapOptimization

它的成员包括：

上述ros参数均可以根据名称判断其含义，且与param_lidar.yaml参数文件紧密关联。

3.2 ImageProjection类的成员

3.3 ImageProjection类的构造函数

在主函数当中，主要依靠的就是ImageProjection类的构造函数，因此重点分析它，结合以上ImageProjection类成员变量和成员函数的解读可以很容易看懂其过程。

ImageProjection():deskewFlag(0)       // 去畸变标志位置零{// 订阅imu原始数据，回调函数负责将测量信息坐标变换到激光雷达并存储到队列subImu        = nh.subscribe<sensor_msgs::Imu>        (imuTopic, 2000, &ImageProjection::imuHandler, this, ros::TransportHints().tcpNoDelay());// 订阅Odom原始数据，此Odom来自于VIS，可能早于点云采集时间，也可能稍晚于点云采集时间，回调函数负责将位姿信息存放到队列subOdom       = nh.subscribe<nav_msgs::Odometry>      (PROJECT_NAME + "/vins/odometry/imu_propagate_ros", 2000, &ImageProjection::odometryHandler, this, ros::TransportHints().tcpNoDelay());// 订阅原始点云，回调函数负责检查、获取对齐的imu帧旋转矩阵、获取相邻帧的位姿变换、点云投影成图片从而使点云有序化，最后把去畸变有序化点云和自定义格式点云发布出去subLaserCloud = nh.subscribe<sensor_msgs::PointCloud2>(pointCloudTopic, 5, &ImageProjection::cloudHandler, this, ros::TransportHints().tcpNoDelay());// 发布处理过后的点云和自定义格式的点云pubExtractedCloud = nh.advertise<sensor_msgs::PointCloud2> (PROJECT_NAME + "/lidar/deskew/cloud_deskewed", 5);pubLaserCloudInfo = nh.advertise<lvi_sam::cloud_info>      (PROJECT_NAME + "/lidar/deskew/cloud_info", 5);// 为下一次处理分配内存空间并重置所有参数allocateMemory();resetParameters();// 设置控制台输出信息pcl::console::setVerbosityLevel(pcl::console::L_ERROR);}

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~