LeGO-LOAM算法的总体框架如下图所示：
图中新增加了绿框中的Segmentation环节，同时对后续的特征提取、Odometry以及Mapping部分均有一定的修改，主要包括：
综上，LeGO-LOAM的总体思路与LOAM基本相同，1）把原始点云投影为距离图像，并在进行特征提取之前区分为“地面点/分割点”。2）对具有相同类别的特征点进行匹配。3）加入iSAM2进行闭环检测。这三点是其主要创新。
文章中采用Velodyne VLP-16激光雷达采集的数据进行实验，首先把原始点云重投影为一个距离图像，分辨率为1800*16（因为VLP-16水平分辨率为0.2°，360/0.2 = 1800，同时垂直方向上位16线数据）。重投影之后，三维点云变为二维图像，以像素点到传感器之间的距离作为像素值。
以VLP-16竖直维度的特性来进行标记地面点和非地面点，其在垂直方向的扫描范围为[-15°, 15°]，认为地面点出现在[-15°, -1°]之间的扫描线上，而被标记的地面点可以不用进行后续的分割。
随后，将距离图像分割为很多个聚类，同一个聚类的点被标记上唯一的标识。点数较少的聚类（少于30点）被作为噪声去除，这一步可以减少室外环境噪音点的干扰，如随风飘动的树叶，地面上的杂草等不稳定的特征，这样的处理就可以保留原始的地面点和相对较大的静态物体（树干，楼房等）来进行后续的特征提取工作了。如下图中 (a)为原始点云，(b)为进行分割处理后的点云。
这一模块在计算平滑度时与经典的LOAM相似，考虑到特征点在各个方向分布均匀，把距离图像水平均分为若干个子图像（360°划分为六等分）。随后对t时刻点云
P
t
P_t
Pt中的每一个点
P
i
P_i
Pi左右各选取5个点组合成点集
S
S
S，通过下式计算平滑度。
这里采用了距离图像中激光点到传感器之间的距离，与原始LOAM中直接使用两点坐标不同。
A
\mathbb{A}
A
随后，从子图像中的地面点中选取
n
F
p
n_{F_p}
nFp个平面点
F
p
F_p
Fp，从分割点中选取
n
F
e
n_{F_e}
nFe个边缘点
F
e
F_e
Fe。
此外，从子图像中的地面点与分割点中选取
n
F
p
n_{\mathbb{F}_p}
nFp个平面点
F
p
\mathbb{F}_p
Fp, 从子图像中的非地面点中选取
n
F
e
n_{\mathbb{F}_e}
nFe个边缘点
F
e
\mathbb{F}_e
Fe，即存在以下关系，
F
p
F_p
Fp⊂
F
p
\mathbb{F}_p
Fp以及
F
e
F_e
Fe⊂
F
e
\mathbb{F}_e
Fe。
如下图中所示，( c ) 中为有类别约束的平面点
F
p
F_p
Fp及边缘点
F
e
F_e
Fe，(d) 中为子图像中所有的平面点
F
p
\mathbb{F}_p
Fp与边缘点
F
e
\mathbb{F}_e
Fe。
特征提取时，我们得到了四种特征点集{
F
p
F_p
Fp,
F
e
F_e
Fe,
F
p
\mathbb{F}_p
Fp,
F
e
\mathbb{F}_e
Fe}。为了更好的寻找相邻两帧点云数据之间的对应特征点对，采用如下图所示的思路进行优化：
上图中的流程可以总结为：
这可以使缩小对应点的候选范围，同时提高匹配的精度和效率。有了对应的特征点对之后，需要对其进行优化求解六个姿态变换参数，LeGO-LOAM使用两步LM优化方法进行处理。
首先，采用平面点 F p ( t − 1 ) \mathbb{F}_p^{(t-1)} Fp(t−1)与 F p t F_p^t Fpt对应的约束，优化计算得到了{ t z t_z tz, t r o l l t_{roll} troll, t p i t c h t_{pitch} tpitch}。随后，基于 F e ( t − 1 ) \mathbb{F}_e^{(t-1)} Fe(t−1)与 F e t F_e^t Fet对应的约束，以及之前优化得到的{ t z t_z tz, t r o l l t_{roll} troll, t p i t c h t_{pitch} tpitch}，进行优化得到{ t x t_x tx, t y t_y ty, t y a w t_{yaw} tyaw}。最终，两次优化结果融合，得到最终的变换参数{ t x t_x tx, t y t_y ty, t z t_z tz, t r o l l t_{roll} troll, t p i t c h t_{pitch} tpitch , t y a w t_{yaw} tyaw}。
作者在这里介绍了两种方法：1）基于传感器视域。 2）基于图优化。分别来把上一步输出的点云与局部位姿变换到全局地图中。
其中，第一种方法将全局点云地图分割为很多cube，然后根据传感器的有效探测距离（VLP-16为100m）选取一定数量的cube，组合成前 t − 1 t-1 t−1 时刻获取的点云地图 Q ( t − 1 ) Q^{(t-1)} Q(t−1)，然后对当前帧 Q t Q^t Qt与其相交的部分进行匹配，与经典的LOAM算法基本相同。
第二种方法加入了位姿图和回环检测 (iSAM2)，提高了建图效率与精度，但是目前还不太理解，这里就先不做详细的介绍了。
