【LOAM系列】三：leGo-LOAM论文笔记

leGo-LOAM

IROS 2018 Shan Tixiao 史蒂文斯理工学院读博士 Robust Field Autonomy 实验室

1、论文

LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain
在可变地形上的轻量级的利用地面点优化的Iidar 里程计和 建图模块

https://blog.csdn.net/weixin_45626706/article/details/122027456

1.1 整体框架

• 分割模块通过对一帧的点云重投影到图像中，进行地面分割，非地面点被分割出来；
• 特征提取模块基于分割后的点使用和LOAM一样的方法提取边缘点和平面点；
• 雷达里程计模块基于提取的特征点构建 scan-to-scan约束关系，使用两次LM优化，得到姿态变换矩阵；
• 雷达建图模块将得到的特征点进一步处理，构建scan-to-map 的约束关系，构建全局地图。

LeGOLOAM是基于地面优化的，它在分割和优化步骤中利用了地面，首先应用点云分割来滤除噪声，然后进行特征提取以获得不同的平面和边缘特征，然后，利用平面和边缘特征采用了两步Levenberg-Marquardt优化方法，来求解连续扫描中六自由度变换的不同分量。

第一步，利用前后帧匹配的地面点使用从地面提取的平面特征来获得[ tz ，θroll ，θpitch] ；第二步，通过匹配 分割点云提取的边缘特征来获得变换的其余部分[ tx ，ty ， θyaw ]

传感器

Velodyne VLP-16测量范围高达100m，精度为± 3cm，垂直视野（FOV）为30∘(± 1 5 ∘ ，上下15度），水平视野为360∘
16线传感器提供2∘ 的垂直角度分辨率。根据旋转速率，水平角度分辨率从0.1∘ 到0.4∘ 不等。10 Hz 扫描速率位0.2∘

1.2 分割模块

Segmentation

P t = { p 1 ， p 2 ， … ， p n } P_t = {\{ p_1， p_2，… ，p_n\}} Pt​={p1​，p2​，…，pn​}为在时间t 获得的点云

在将点云投影到图像上后，每个三维空间的点就变为二维空间的像素点了，我们获取点$p_i$对应的像素点到传感器的欧氏距离$r_i$。再进行分割之前，可以对距离图像进行列式评估。,进行地面点的提取。通过VLP-16的激光扫描束的范围为 [−15∘,15∘] ，接计算相邻两条激光线的点云的俯仰角，俯仰角变化在一定范围内的认为是地面点。地面点必然出现在 [−15∘,−1∘] 7条扫描线上，通过对于竖直角度的计算和阈值的判定，来决定到底是属不属于地面点， 角度小于10°则认为是地面点

1.3 特征提取

Feature Extraction， 每个点前后选取5个点计算曲率，曲率最大值为边缘特征，曲率小的为平面特征划分出了边缘点和平面点。
在LeGO LOAM的代码中，将 1800×16 的距离图像划分为了6个 300×16 的子图像。
在每个子图像内设定： nfe=2,nfp=4,nfme=40,nfmp=80 。

• 从每一行中选取不属于地面点，且具有最大 c值的nfme个边缘点，组成集合 Fme .
• 从每一行中选取最小c 值的nfmp个平面点，属于地面点或分割点都行，组成集合Fmp.

这一步选取了大部分的数据点，为了方便计算，我们再进行一次筛选：

• 从集合 Fme 中选取不属于地面点，且具有最大c 值的 nfe个边缘点，组成集合 Fe
• 从集合 Fmp中选取属于地面点，且具有最小 c值的nfp个平面点，组成集合 Fp

1.4 特征匹配

在LOAM上做了改进，基于标签的匹配，地面标签匹配面，非地面标签匹配线，两步L-M优化

在第二部分分割模块，我们将点云划分为地面点和分割点，使用这些标签来进行对应关联点的搜寻。

• 对于边缘点：在Ft-1中具有分割点标签的点云中寻找Ft 的对应关联点
• 对于平面点：在 Ft-1−1 中具有地面点标签的点云中寻找 Ft的对应关联点

这一步的操作有以下两个优点：

• 在相邻帧中地面信息基本保持不变
• 聚类后点云被分为若干块，缩小了对应点的候选范围

两步优化位姿

（1）通过匹配Fpt 中的平面特征和它们在 Fp t−1中的对应关系来估计[ tz , θroll , θpitch ]
（2）剩余的[ tx , ty , θyaw ] 使用Fet 中的边特征和它们在 Fet-1中的对应关系来估计，同时使用[ t z , θ roll , θ pitch ]作为约束。
$$\begin{gathered} 由于第一步针对地面点的优化使用点到面的约束来构建约束，修改点的x，y和yaw角不会对点到面的距离产生影响， \\ 所以认为地面点之间的约束对\left[t_x,t_y,{\theta }_{\text{yaw }}\right]不可观 \end{gathered}$$

1.5 建图与回环

不保存单个点云地图，而是保存每个单独的特征集
$$\begin{gathered} \left\{{\mathbb{F}}_e^t,{\mathbb{F}}_p^t\right\} \\ {M}^{t-1}=\left\{\left\{{\mathbb{F}}_e^1,{\mathbb{F}}_p^1\right\},\dots ,\left\{{\mathbb{F}}_e^{t-1},{\mathbb{F}}_p^{t-1}\right\}\right\} \end{gathered}$$
为保存所有先前特征的集合

回环检测：基于距离判断，只要我们在历史的关键帧中找到一帧与当前帧比较近，使用ICP计算两帧的位姿变换，构建一个位姿图模型，来进行一个优化。

相较于LOAM的改进
前端:
1.对地面点进行分类和提取,避免一些边缘点的提取
2.用了一个简单的点云聚类算法,剔除了一些可能的outlier

后端:
1.使用SLAM关键帧的概念对后端部分进行了重构
2.引入回环检测和位姿图优化概念,使得地图的全局一致性更好

---