激光SLAM|【论文阅读001】PFilter: Building Persistent Maps through Feature Filtering for Fast and Accurate …

​

目录

Y. Duan, J. Peng, Y. Zhang, J. Ji and Y. Zhang, "PFilter: Building Persistent Maps through Feature Filtering for Fast and Accurate LiDAR-based SLAM," 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Kyoto, Japan, 2022, pp. 11087-11093, doi: 10.1109/IROS47612.2022.9981566.

下文简称及符号描述

LO ：Lidar Odometry

Mk、 Mke 、Mks：局部特征图、局部边缘特征图、局部平面特征图

Lk：k点云帧

Tk：k帧初始姿态

Ek：边缘特征点集合

Sk：平面特征点集合

p^M_k0：表示局部特征图的第k0帧中的一个特征点，其中k0是在局部特征图中，第一次被引入的点云帧帧数

Nk（pk）：表示在粗滤波后，pk在Mk中的correspondences

γ：稀疏性系数

θp：点p的持久性阈值

κnew：很小的自然数，作为维持持久性的帧数阈值（i.e. 新手保护期）

θmax ∈ [γ, γ/(1−γ ) ) ：局部特征点永久保留阈值（永居绿卡）

摘要

基于激光传感器的同步定位与映射（SLAM）已被移动机器人和自动驾驶汽车广泛采用。这些SLAM系统需要在有限的计算资源下支持精确的定位。特别是点云配准，即在全局坐标框架中对多个位置收集的多个激光雷达扫描进行匹配和对齐的过程，被认为是SLAM的瓶颈步骤。在本文中，我们提出了一种特征滤波算法，即过滤过滤器，可以过滤无效特征，从而大大缓解这一瓶颈。同时，由于对特征点进行了细致地选择，也提高了整体配准精度。我们将PFilter集成到成熟的扫描到映射激光雷达测程框架F-LOAM中，并评估其在KITTI数据集上的性能。

主要贡献

1. 提出了一个新的属性：p-Index来评估特征点（用于评估一个特征点的“持久性”，动态/静态？）。我们的PFilter算法通过过滤瞬态特征点来仔细筛选合适的特征点。
2. 我们将PFilter集成到扫描到映射的LO系统中，并在KITTI数据集[15]上进行实验，证明PFilter可以同时提高效率和精度。实验结果表明，PFilter可以去除局部特征图中约48.4%的点，平均将扫描中的特征点减少19.3%，平均每帧节省20.9%的时间，提高了9.4%的精度。

主要内容

A. 系统概括

使用PFilter的scan-to-map的流程。红色箭头表示PFilter的输入和输出。

1. LO系统的输入由三部分组成，即局部特征图，表示为Mk（Mke∪Mks） ，Lk，Tk；
2. 通过对Lk进行的特征提取操作，得到Ek与Sk（这一步的特征提取是类似于LOAM，LeGo-LOAM或者MULLS等经典方法的，即基于曲率或者近邻点云集合的特征值进行特征提取）；
3. 对Ek与Sk进行【去畸变及粗滤波】；
4. 在注册过程中，局部特征图Mk中的每个点更新其pIndex，该点根据匹配过程，评估其【持久性级别】；
5. PFilter将根据结果特征和最优姿态对局部特征图进行过滤，以去除临时特征。

B. 去畸变与粗滤波

这部分与LOAM原理相似，略。

C. p-Index

函数I的定义(必须保证k≥k0 否则没有意义)

函数I=1表明：在第k帧中存在一个提取的特征点，可以与点p^M_k0匹配（其实说明了该点已经多次出现，具有持久性），换句话说：p^M_k0在第k帧中有被检测到。

由函数I，可以引出p^M_k0在第k帧下的p-Index：（s.t. k≥k0，γ∈[0,1]）

p-Index定义

第一条可视作其初始值，第二条为第k帧时的递归值（具有连续性持久性）。

结合两条公式可以得到一条递归公式：

p-Index递归公式

γ系数的存在，是考虑到点云近密远疏的特性。随着k的增大，k+1-τ的值会越来越大，γ^k+1-τ也会越来越小（这种情况仅在于γ≠1的情况），那么I(p^M_k0 , τ ) 的值也会慢慢收敛到0，即随着激光雷达的移动，越古早的帧中的这个相应点由于距离和稀疏性的缘故，其对该点p-Index的值的贡献将越来越低直至消失，这也符合直观上的感受。

如果p-Index（p^M_k0，k）> θp，则特征点p^M_k0在第k帧处持久存在。否则，p^M_k0是临时的。请注意，θp越大，持久性判断更为严苛，具有持久性的特性点就越少。

D. Building Persistent Maps through PFilter

PFilter算法

当前帧与局部特征图的融合过程，在第k帧处：

1. 首先更新局部特征图Mk中每个特征点p^M_k0的p-Index。
2. 估计Lk中每个特征点pk的p-Index（pk，k）的初始值，通过Lk与Mk进行的匹配找到pk（pk∈Lk）在Mk中对应的5个特征点（同时这5个特征点的p-Index也增加1，也就是说，pk若能在局部特征图中找到相应的特征点，那么这几个特征点持久性将会增加）的p-Index的平均值（i.e. 上一步局部特征图中每个特征点p^M_k0的p-Index）。
3. Lk加入到Mk局部特征图中，pk也就变成了p^M_k0。

局部特征图点的持久性更新：

对于Mke与Mks，分别遍历其中的特征点p^M_k0

满足条件	含义	操作
k − k0 < κnew	特征点较新，新手保护期	暂时保留，更新p-Index（递归公式）
θmax≥p-Index>θp	有一定持久性，继续观察	暂时保留，更新p-Index（递归公式）
p-Index>θmax	持久性很强，是较为容易观测的静态特征点	永久保留，作为强持久性特征
其他	持久性弱且离第一次出现时间较久，大概率是动态物体或难以观测容易丢失视野的犄角旮旯	删除特征点，匹配精度不高

实验

作者团队将PFilter加到F-LOAM上进行实验验证，首先在KITTI上进行实验，其次展示了静态与动态物体的持久性，然后通过消融实验来研究上文提到的相关参数，最后验证了在不同特征提取框架上PFilter的性能。

KITTI实验

PFilter with F-LOAM on KITTI DATASET

F-LOAM w/ && w/o PFilter

PERFORMANCE OF PFilter ON TWO FEATURE EXTRACTION METHODS