Core Algorithms 核心算法

激光SLAM 系统的计算瓶颈往往不在传感器驱动，而在点云索引、几何估计与后端优化三个环节的算法实现。eroam 针对这三个环节设计了六组核心算法，覆盖从原始数据预处理到因子图优化的完整 pipeline。这些算法并非孤立存在：KD 树索引为平面估计和点云匹配提供近邻查询能力；格式归一化层屏蔽传感器异构性；边缘化机制控制后端优化规模。理解它们之间的数据流动与依赖关系，是掌握整个系统架构的关键。

本页提供算法全景图与快速导航。每个算法条目包含一句话定位、典型应用场景说明，以及指向详细文档的链接。如需修改参数或集成新传感器，建议先阅读对应算法的接口契约与复杂度分析。

算法依赖关系

数据流向说明：原始 DVS 事件数据经预处理后，与激光点云统一转换为内部格式；增量式 KD 树维护当前帧动态点云，静态 KD 树管理历史关键帧；两者分别为平面估计（几何特征提取）和点云匹配（位姿估计）提供近邻查询；最终因子图通过边缘化控制规模，输出优化后的状态估计。

算法详解

增量式 KD 树动态维护算法

→ 详细文档

面向激光 SLAM 场景重新设计的增量式 KD 树实现。支持点云动态增删、多线程重建与高效近邻搜索，将点云匹配阶段的暴力搜索复杂度从 O(n) 降至近似 O(log n)。该模块是 SLAM 定位建图的核心索引基础设施，直接决定前端里程计的实时性上限。

动态平面参数估计算法

→ 详细文档

基于点云近邻搜索的平面拟合算法，可从三维点云数据中鲁棒估计平面模型参数。针对动态场景设计，支持局部平面检测与参数更新，为点云配准、障碍物识别等上层功能提供几何特征支撑。算法依赖增量式 KD 树提供的近邻查询接口。

DVS 事件相机 Rosbag 数据预处理算法

→ 详细文档

事件 SLAM 的离线数据预处理模块。实现 DVS 事件数据的坏点过滤、时间片段截取与事件块格式归一化，消除原始数据中的噪声事件与时间戳异常，为后续 SLAM 处理提供标准化输入。脏数据在此层拦截，避免污染下游几何估计与优化环节。

异构点云格式归一化转换算法

→ 详细文档

ROS PointCloud2 消息、内部自定义点类型与 Eigen 向量类型之间的无损转换层。统一多传感器（激光雷达、RGB-D、事件相机投影点云）的数据格式标准，消除上层业务模块重复的转换逻辑冗余。所有点云数据进入核心算法前须经过此层。

SLAM 因子边缘化算法

→ 详细文档

后端优化的规模控制机制。实现滑动窗口中旧状态变量的边际化处理，通过 Schur 补运算保留历史约束信息，同时将优化问题维度限制在固定规模。该算法在实时性与估计精度之间取得平衡，是保障 SLAM 系统长期运行的关键。

静态关键帧 KD 树近邻搜索算法

→ 详细文档

针对静态关键帧点云批量查询场景的定制优化。支持近似最近邻搜索（ANN）与多线程并行查询，相比通用 KD 树进一步提升回环检测与地图匹配阶段的查询效率。与增量式 KD 树形成分工：动态数据走增量树，历史关键帧走静态树。