再谈激光SLAM

1. 激光的分类和特点

1.1 特点

优点

• 可以直接获得深度信息
• 不受环境光照影响，比较稳定

缺点

• 稀疏性
• 几何信息区分度小

2D 激光点少，大概几千个点。
3D 激光信息量多，跟图像有很多类似性，但是激光的稀疏性明显，上下和左右相差比较大。左右可是是零点几度，上下就是64根线，或者128根线，所以提取特征不能像图像那样提取，还有一个顺序性，比如40帧数据，从左到右或者从右到左都是等实的。

SLAM研究历史

ekf特征定位（二维）

• 主要形式为角点、线。
  一般要配以里程计、imu，或者运动模型来提供运动预测算法以ekf、粒子滤波等模型形式。
• 点或特征的ICP(二维)
  里程计推导用直接的ICP替代了之前的ekf过程
  定位使用粒子滤波的方式
  最优代表性的是gmapping
• 三维解决方式
  数据量大了很多，去掉一些点
  点抽样-> ICP
  特征 （点、线、面）-> ekf icp
  NDT

LOAM

特征匹配

1. 在扫描$P_{k+1}$中提取线特征${\epsilon }_{k+1}$和面特征$H_{k+1}$并转换到k+1坐标下
2. 扫描$P_{k+1}$投影到k+1坐标下
3. 找对应的特征的当前扫描和临近扫描的对应点(KD-tree)

特征筛选

1. 控制数量，区域划分，每个区域只许一条线和一个点
2. 去除歧义点

特征关联

1. 评价特征点到线和面的距离
2. 距离评价函数
   $d_{\epsilon }=\frac{{\tilde{X}}_{(k+1,j)}^L-{\overline{X}}_{(k,j)}^L\ast {\tilde{X}}_{(k+1,j)}^L-{\overline{X}}_{(k,l)}^L}{|{\overline{X}}_{(k,j)}-{\overline{X}}_{(k,l)}|}$

这个当前扫描的角点到之前扫描的线的距离

运动估计

线性化顺序点位置预估：$T_{(k+1,i)}^L=\frac{t_i-t_{k+1}}{t-t_{k+1}}{T}_{k+1}^L$
旋转角表示： $R=e^{\hat{w}\theta }=I+\hat{w}\sin \theta +{\hat{w}}^2(1-\cos \theta )$
根据上面的评价函数迭代求解。
根据距离加入信任因子或者直接剔除。
###Ｍａｐｐｉｎｇ

1. 方法类似与里程计，但是对象由近邻扫描替换成已有的地图电云
2. 特征保留较多（１0 times）
3. 类似与ＮＤＴ,对于临近点云进行PCA分析，平面的参数由统计数代替原始点
4. Mapping 过程相当于一个更高精度的ＶＯ

LOAM

• 室内效果好于室外
• 可以提高非线性运动的效果

讨论

1. 基本思想还是二维的线面特征迭代的思想，还是可行的。
2. 点面特征还不够可靠，后续发展为结合视觉的v-loam
3. 对数据统计分类，通过统计数据代替原始数据，无论从速度还是精度上都是比较有利的
4. 根据激光数据的稀疏性，近阶段的处理方式获得很大的认同，里程计效果好。
5. 激光数据分割、识别可能是个大问题，关系到loop，定位等问题
6. 觉得有orbslam的影子，track和mapping分离