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-Tree，Faster-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1-2kHz；IEKF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。