点击下方卡片，关注「计算机视觉工坊」公众号
选择星标，干货第一时间送达
来源：计算机视觉工坊
添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。
扫描下方二维码，加入「3D视觉从入门到精通」知识星球(点开有惊喜)，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门秘制视频课程、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
论文信息
论文标题：P2d-DO: Degeneracy Optimization for LiDAR SLAM with Point-to-Distribution Detection Factors
作者：陈炜楠，纪穑华，林旭滨，杨志新，池文政，管贻生，朱海飞，张宏
单位：广东工业大学，九天创新（广东）智能科技有限公司，广东省科学院智能制造研究所，澳门大学，苏州大学，南方科技大学
期刊：IEEE Robotics and Automation Letters (Volume: 10, Issue: 2, February 2025)
原文链接：https://ieeexplore.ieee.org/document/10816047
代码链接：https://github.com/jisehua/Degenerate-Detection
导读
尽管激光雷达 SLAM 技术已广泛应用于各类机器人，但在几何特征稀疏的场景中，由于约束条件不足，该技术仍可能出现严重的退化现象。若不能及时检测并正确处理这些退化问题，定位与建图的精度和性能将显著下降。因此，本文提出了一种基于点到分布的退化检测算法和点云加权的退化优化算法（P2d-DO），旨在缓解退化现象对SLAM系统性能的负面影响。具体来说，退化检测算法通过监测局部区域内分布概率的变化，输出一个反映退化状态的退化因子。该因子随后作为点云置信度的表征，输入退化优化算法，从而使系统能够在匹配过程中通过赋予可靠点云更高的权重，来优先处理高质量的点云信息。综合实验结果验证了我们方法的有效性，表明其在退化检测和姿态估计的准确性与鲁棒性方面均有显著提升。
效果展示
退化场景
退化检测
当机器人进入长直走廊时，两种方法的退化因子都显著下降；而当机器人离开走廊时，我们的方法能够准确检测到机器人已经脱离退化场景。
退化优化
融合P2d-DO后LIO-SAM的定位建图效果：
引言
当前主流的激光雷达 SLAM 方法在很大程度上依赖于激光雷达传感器对环境几何结构特征的检测能力。因此，当这些方法应用于几何特征稀疏的场景（如隧道、长直走廊或空旷区域）时，由于缺乏某些方向上的约束容易导致退化现象，从而显著降低激光雷达 SLAM 的位姿估计精度。
针对退化问题，已有多种方法通过融合异源传感器数据来弥补退化场景中缺乏约束的问题。然而，这些方法往往缺乏对退化环境特征或系统退化状态的深入分析，导致算法鲁棒性较差，且有时会产生不可预测的结果。因此，退化检测已成为广泛研究的领域，旨在为退化优化提供有效的信息。目前主流的方法主要依赖于点对点的匹配，然而这种匹配方式存在抗噪声能力不足的问题，因此容易出现误检测现象。
在本研究中，我们提出的 P2d-DO 方法由两大核心部分组成：1）一种利用局部几何特征增强退化检测性能的点到分布（P2d）算法；2）一种在退化场景下提高位姿估计性能的点云加权退化优化（DO）算法。为确保局部几何特征满足高斯分布假设（这一假设对提高退化检测的准确性至关重要），P2d 算法集成了自适应体素分割（AVS）算法。因此，P2d 算法输出的退化因子将作为输入供 DO 算法使用，进而减小低置信度点云的干扰，显著提升激光雷达 SLAM 位姿估计的准确性和鲁棒性。
主要贡献
本文的主要贡献如下：
提出了一种基于点云分布密度的自适应体素分割算法，以确保局部几何特征符合高斯分布假设。
提出了一种基于点到分布的退化检测算法，通过结合局部几何特征，有效降低噪声干扰，避免出现误检测。
提出了一种点云加权退化优化算法，旨在减轻退化点云对激光雷达 SLAM 位姿估计的影响。
方法
下图展示了 P2d-DO 方法的框架结构。该框架由三个模块组成：AVS、P2d 和 DO，分别用蓝色、黄色和绿色标示。其中，AVS 和 P2d 构成退化检测模块。首先，AVS 模块对原始点云进行离散化处理，并根据点云的分布密度自适应调整体素大小。通过精细化每个体素内的空间分布，AVS 提高了局部几何特征的精度。在优化后的局部几何特征的基础上，P2d 模块通过分析连续帧之间局部区域内点云分布概率的变化，来得到表征退化状态的退化因子。该因子量化了点云的退化程度，为后续优化提供了重要依据。DO 模块利用退化因子来评估所有点云的置信度，降低退化程度较高点云的权重，从而减小其对整体位姿估计的影响，最终提升激光雷达 SLAM 的准确性和鲁棒性。
AVS 模块
我们的体素分割算法能够实时适应环境变化，主要包括以下三个步骤：
离散化点云：将原始点云离散化为若干个相同大小的体素网格；
几何模型分类：按照 chen 等人在加权NDT算法中提出的几何模型分类方法，将初始体素网格划分为三种几何模型：线性模型、平面模型和立体模型；
稀疏区域检测与体素大小的自适应分割：基于点云的分布密度检测体素内的稀疏区域，并根据不同的几何模型采用不同的分割策略，从而获得新的体素。
该过程会重复执行，直到未能识别出新的稀疏区域为止。
P2d 模块
结构对称性是退化场景的典型特征，因此在该环境下，激光雷达所提取的几何特征变化较小。因此，我们假设可以利用退化场景这一固有特性来提升退化检测的准确性。与其他方法仅关注几何约束不足导致配准误差增大的问题不同的是，我们的方法通过引入局部几何特征来降低噪声对检测结果的干扰，通过观察受扰动前后点云在局部区域内分布概率的变化，提出了一种新的退化因子：
，
其中， 表示系统所受到的扰动， 表示在变换增量 的影响下，扰动前后点云的分布概率。
DO 模块
抑制退化点云的功能明显有利于减少激光雷达 SLAM 系统的位姿估计误差，因此调整与点云退化相关的权重是一种简单易行的方法。为了实现该目的，我们对 k 时刻下 P2d 模块的检测结果进行归一化处理，得到该时刻下每一个点云的权重因子，即：
，
其中，为归一化后的退化因子，可表示 k 时刻下第 i 个点云的退化置信度。
因此，我们根据 为每个观测点云分配权重，在优化过程中优先考虑退化置信度低的点云，同时抑制退化程度高的点云信息。
实验结果
为了验证提出的方法的有效性，我们在M2DGR、KITTI以及实机平台上进行实验验证。其中，退化检测与Zhang等人提出的主流方法进行对比，退化优化在多个主流SLAM算法（如LOAM、LEGO-LOAM、LIO-SAM、FAST-LIO2）上进行了详尽的实验，其实验结果如下。
AVS 模块的有效性测试
为了验证 AVS 模块在退化检测中的有效性，我们选择了具有丰富几何特征的校园场景（M2DGR street03）和城市场景（KITTI 03）进行实验。从理论上讲，在这些场景中不应该检测到任何退化现象。从表1可以看出，在没有使用 AVS 的情况下，误检率为 9.02%，而在使用 AVS 的情况下，误检率下降到 1.83%。
退化检测模块性能验证实验
非退化场景下的性能测试
为了验证在非退化场景中的鲁棒性和误检率，我们首先对 M2DGR street 、 KITTI 以及自收集数据集进行退化识别与分类。在标注数据集时，如果点云法向量的角度变化小于5度，且里程计误差超过由机器人速度决定的阈值距离（以过滤机器人静止造成的误判），则该帧被标注为退化场景。分类结果如表2所示。
基于此，我们利用标准差 σ 作为评估非退化场景鲁棒性的量化指标。标准偏差越小，说明数据越集中，抗噪声干扰能力越强。此外，还基于退化阈值统计的误检测的数量（FD）。表3总结了测试结果。与Zhang等人提出的方法相比，我们提出的 P2d 模块的标准差在七个非退化场景中平均降低了 15.86%。此外，P2d 模块还显著减少了误检次数，误检率降低了 75.00% 到 93.6% 不等（不包括无误检情况），证明了它在减少噪声干扰方面的有效性。
退化场景下的性能测试
在这个实验中，我们利用 Precision-Recall 作为评价指标。其中，非退化被指定为正类，退化被指定为负类。因此，精度（Precision）反映了算法的准确性，而召回率（Recall）则评估了算法识别退化状态的能力。高精度和高召回率表明算法取得了全面可靠的结果。测试结果如表4所示，我们提出的 P2d 模块的精度和召回率平均分别为 0.918% 和 0.981%，与 baseline 相比分别提高了 7.61% 和 6.34%。这些结果表明，P2d 模块具有更高的识别率和准确率。
退化优化模块精度验证实验
在该实验中，我们将 P2d-DO 方法分别集成到多个 SLAM 算法中，形成 DO-LOAM、 DO-LEGO-LOAM、DO-LIO-SAM 和 DO-FAST-LIO2，并与原算法进行精度对比测试，以均方根误差（RMSE）作为指标。其中，LOAM 和 LEGO-LOAM 作为纯激光雷达 SLAM 系统，可以直观验证我们的方法的优势，如表5所示，我们的方法使 SLAM 系统的精度平均提升了 3.92%。这一改进表明，所提出的 P2d-DO 方法能有效抑制退化状态下点云观测信息所造成的干扰，从而提高系统的定位性能。
除此之外，图6展示了我们的方法对多传感器融合的 SLAM 系统仍然保持明显的提升效果。综上，我们的方法能被应用于多种主流 SLAM 算法，并在所有六个测试场景中均有改善，定位精度平均提高了 5.38%。这些发现凸显了所提出的 P2d-DO 方法在各种激光雷达 SLAM 系统中具有很好的泛化能力。
总结
在本研究中，我们提出了一种具有退化状态感知的激光雷达 SLAM 退化优化方法 P2d-DO，以减轻退化对定位与建图精度的影响。具体来说，P2d 方法通过将局部几何特征与自适应体素分割技术相结合来减少噪声干扰，并输出检测因子。实验表明，该方法在非退化场景的鲁棒性和退化场景的检测精度方面都有显著提高。基于检测因子，DO 模块可以获取点云的退化置信度，并通过分配适当的权重来控制其影响。实验结果证明，P2d-DO 方法使多种激光雷达 SLAM 系统的精度平均提高了 5.38%。不过，P2d 模块仍然依赖于预设阈值来检测系统退化状态，这可能会限制其独立的泛化性。今后，我们将重点开发自适应阈值调整方法，以进一步提高 P2d 的适应性和准确性。此外，我们还计划探索集成 P2d-DO 的更高效的多传感器融合方法，以进一步提高激光雷达 SLAM 系统的性能和稳定性。
本文仅做学术分享，如有侵权，请联系删文。
3D视觉交流群，成立啦！
目前我们已经建立了3D视觉方向多个社群，包括2D计算机视觉、最前沿、工业3D视觉、SLAM、自动驾驶、三维重建、无人机等方向，细分群包括：
工业3D视觉：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。
SLAM：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。
自动驾驶：深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。
三维重建：3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等
无人机：四旋翼建模、无人机飞控等
2D计算机视觉：图像分类/分割、目标/检测、医学影像、GAN、OCR、2D缺陷检测、遥感测绘、超分辨率、人脸检测、行为识别、模型量化剪枝、迁移学习、人体姿态估计等
最前沿：具身智能、大模型、Mamba、扩散模型、图像/视频生成等
除了这些，还有求职、硬件选型、视觉产品落地、产品、行业新闻等交流群
添加小助理: cv3d001，备注：研究方向+学校/公司+昵称（如3D点云+清华+小草莓）, 拉你入群。
3D视觉工坊知识星球
「3D视觉从入门到精通」知识星球(点开有惊喜)，已沉淀6年，星球内资料包括：秘制视频课程近20门（包括结构光三维重建、相机标定、SLAM、深度估计、3D目标检测、3DGS顶会带读课程、三维点云等）、项目对接、3D视觉学习路线总结、最新顶会论文&代码、3D视觉行业最新模组、3D视觉优质源码汇总、书籍推荐、编程基础&学习工具、实战项目&作业、求职招聘&面经&面试题等等。欢迎加入3D视觉从入门到精通知识星球，一起学习进步。
大模型、扩散模型、具身智能、3DGS、NeRF、结构光、相位偏折术、机械臂抓取、点云实战、Open3D、缺陷检测、BEV感知、Occupancy、Transformer、模型部署、3D目标检测、深度估计、多传感器标定、规划与控制、无人机仿真、C++、三维视觉python、dToF、相机标定、ROS2、机器人控制规划、LeGo-LAOM、多模态融合SLAM、LOAM-SLAM、室内室外SLAM、VINS-Fusion、ORB-SLAM3、MVSNet三维重建、colmap、线面结构光、硬件结构光扫描仪等。
3D视觉模组选型：www.3dcver.com
— 完 —
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
3D视觉科技前沿进展日日相见 ~
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
