SLAM Scan-Matching/Registration

1. 概念

  • SLAM:它根据两帧扫描数据,基于环境的外形和扫描匹配来计算刚体变换。
  • 仅仅基于里程计传感器(Odometry Sensors provided by wheel encoders)或IMU传感器创建的地图是不准确的,因为里程计传感器存在累计误差,所以LDS(Laser Distance Sensor)使用Scan-Matching/Registration算法使新扫描的激光数据与已有地图或激光扫描数据重新对齐,从而获得更加准确的机器人位姿(Pose)和地图(Map)。
  • Scan-Matching性能评估指标
    • 计算量
    • 结果的直观性
  • Scan-Matching问题描述
    这里写图片描述

1.1 SLAM定位方法

  • SLAM定位方法流派:概率方法(probabilistic methods)、
  • 概率方法
    • Extended Kalman Filter (EKF)
    • Particle filter
      • Monte-Carlo (stochastic)
      • Olson (brute-force)
      • Hough (analysis-oriented)
    • Maximum Likelihood
  • 匹配法 (Scan Matching):通过匹配两帧点云数据(即把两帧点云数据对齐)来计算机器人的刚体变换
    • ICP及各种变体
    • Scan-to-Scan
    • Scan-to-Map
    • Feature-based
    • RANSAC for outlier rejection
    • Correlative matching
    • Iterative Dual Correspondence

2. 迭代最近点 Iterative closest Point (ICP)

  • 基本原理:试图迭代地找到两次扫描之间的变换(平移 T T +旋转R),以使两次扫描(scan frame)的最近邻居之间的距离最小化。
  • 算法组成:对应点搜索和位姿求解。它的目的是寻求点集之间的匹配关系,求解的结果是两点集之间的平移及旋转量。
  • 实现方法:没有特征提取的条件下,把两次scan frame进行对齐
  • 缺点 速 度 慢 (因为需要使用所有的点云(point cloud)数据来找到最优变换)
  • 输入
    • 参考激光扫描数据
    • 新的激光扫描数据
  • 输出
    • 匹配的精确度(the accuracy of the matching)
    • 扫描匹配的协方差矩阵(covariance of the scan matching):常用于做闭环检测(loop closing)
  • a

2.1 实现步骤

  • 1) moving
    通过变换矩阵(初始变换矩阵通过Odom或IMU计算得到、其它时候为上一次的迭代结果),使两个Scan frame位于同一个坐标系
  • 2) matching
    为每一个new scan frame 中的点在reference scan frame中找到一个距离最近的点(逐点搜索或kd-tree optimized search)
  • 3) weighting
    根据一定的标准(匹配的距离大小、指定点的不确定性)为每个激光点赋予不同的权重,因为它不能提高收敛速度,一般很少使用
  • 4) rejection
    由于移动和遮挡,两个scan frame不可能完全相同,假设有80%是相同的激光点。其它20%为异常点(如距离过大被认为是误匹配、多个新激光点匹配到同一个旧的激光点,则只保留距离最小的激光点),则把它们拒绝掉
  • 5)minimization
    • 它返回使两次扫描误差最小的变换矩阵
    • 最小化常使用点到线段的距离(point-to-segment distance), 因为每次观察同一个位置,激光点不一定是同一个点,但这些点总是在同一条直线上
    • 最小化点到点的距离(point-to-point)将导致坏的收敛或收敛速度慢
    • 误差最小化可通过 Choleskydecomposition C h o l e s k y d e c o m p o s i t i o n 实现
  • Loop以上5步,直到满足以下任一条件为止:
    • 收敛(converges)
    • 结果振荡
    • 达到最大迭代次数

2.2 Metric-based ICP (MbICP)

  • 目标:通过improve matching算法来提高性能
  • 基本原理:发现一个变换使用距离 d d 最小
  • 算法:与ICP相比,只有计算距离的公式有变化(考虑了旋转因素)
    这里写图片描述
    • L是一个与长度等同的设计参数,通过取 L=3 L = 3 较佳

    2.3 协议差矩阵(Covariance Matrix)

    • 用途:用于描述ICP匹配输出的变换的准确度(accuracy)
    • 2D空间
      • 每一个Pose有三个参数 (x,y,θ) ( x , y , θ )
      • 协方差矩阵为 3×3 3 × 3
    • 3D空间
      • 每一个Pose有三个参数 (x,y,z,α,β,γ) ( x , y , z , α , β , γ )
      • 协方差矩阵为 6×6 6 × 6
    • 计算方法
      • Bruteforce Method
      • Closed Form Covariance of a Minimization Algorithm
    • a
    • a
    • a
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值