1. 主要工作
1)在传统描述子中引入了校正过的激光强度,提出一种新的描述子:ISHOT
2) 基于投票精度经验模型的改进关键点投票机制
2. 描述子的构建
2.1 预处理
激光强度随距离会发生变化,首先对激光强度进行校正。
校正函数:
I
true
=
g
l
(
I
measured
)
I_{\text {true}}=g_{l}\left(I_{\text {measured}}\right)
Itrue=gl(Imeasured)
然后将激光强度缩放到[0,1]区间,强度值大于100的均为1.
2.2 ISHOT描述子的构建
在SHOT描述子的基础上增加邻域的激光强度差值。
D
(
P
)
=
⋃
i
=
1
m
S
H
(
G
,
f
)
i
(
P
)
D(P)=\bigcup_{i=1}^{m} S H_{(G, f)}^{i}(P)
D(P)=i=1⋃mSH(G,f)i(P)
m
=
2
m=2
m=2,包含原来的SHOT描述子和表征纹理信息的激光强度差值。
f
(
I
P
,
I
Q
)
=
I
P
−
I
Q
f\left(I_{P}, I_{Q}\right)=I_{P}-I_{Q}
f(IP,IQ)=IP−IQ
得到的ISHOT描述子共有352+31*32=1344维.
3. 基于概率的关键点投票机制
3.1 定位流程
1)使用ISS-BR detector提取关键点,计算ISHOT描述子.
2)通过描述子匹配和概率关键点投票,选出最可能的位置.
3)使用ICP对定位结果进行优化.
3.2 地图点投票概率
将特征匹配的概率建模为每个特征点匹配的概率之积。每对特征点匹配有两个参数,描述子和最佳匹配和次佳匹配的距离比值
τ
\tau
τ。
τ
=
∥
d
q
−
d
b
∥
∥
d
q
−
d
b
′
∥
\tau=\frac{\left\|\mathbf{d}_{\mathbf{q}}-\mathbf{d}_{\mathbf{b}}\right\|}{\left\|\mathbf{d}_{\mathbf{q}}-\mathbf{d}_{\mathbf{b}}^{\prime}\right\|}
τ=∥dq−db′∥∥dq−db∥
一次投票
v
v
v表示为:
v
=
{
ρ
v
,
τ
v
}
v=\left\{\rho_{v}, \tau_{v}\right\}
v={ρv,τv}
假设每次投票独立,当前扫描
k
k
k和数据库中的某个位置
ρ
i
\rho_{i}
ρi匹配的概率为:
P
(
κ
=
ρ
i
)
=
η
⋅
∏
m
=
1
q
P
(
ρ
i
∣
v
m
)
P\left(\kappa=\rho_{i}\right)=\eta \cdot \prod_{m=1}^{q} P\left(\rho_{i} \mid v_{m}\right)
P(κ=ρi)=η⋅m=1∏qP(ρi∣vm)
q
q
q为投票次数.
地图点被选为匹配点的概率分为两部分,随地图点距真值距离变化的正态分布和地图点被随机选择的均匀分布:
P ( ρ i ∣ d ( ρ v , ρ g t ) ) = λ ( 2 σ π exp ( − d ( ρ v , ρ g t ) 2 2 σ 2 ) ) + ( 1 − λ ) P\left(\rho_{i} \mid d\left(\rho_{v}, \rho_{g t}\right)\right)=\lambda\left(\frac{\sqrt{2}}{\sigma \sqrt{\pi}} \exp \left(\frac{-d\left(\rho_{v}, \rho_{g t}\right)^{2}}{2 \sigma^{2}}\right)\right)+(1-\lambda) P(ρi∣d(ρv,ρgt))=λ(σπ2exp(2σ2−d(ρv,ρgt)2))+(1−λ)
本文通过预训练得到的比值与距离分布在给定距离比值下得到概率初值。在随后的地图点投票中,对概率进行更新。
预训练过程:
σ
,
λ
\sigma,\lambda
σ,λ通过拟合的累积分布函数得到。
概率更新过程:
在得到候选位置点后,进行几何一致性验证,使用点到平面ICP进一步进行配准。