LOAM文献翻译

LOAM：Lidar Odometry and Mapping in Real-time

Abstract

  我们提出了一种实时里程测量和地图绘制方法，该方法使用6自由度移动的2轴激光雷达的距离测量。这个问题很难解决，因为距离测量是在不同的时间接收的，运动估计中的错误可能会导致结果点云的错误配准。迄今为止，我们可以通过离线批处理方法构建连贯的3D地图，通常使用循环闭合来校正随时间的漂移。我们的方法实现了低漂移和低计算复杂度，无需高精度测距或惯性测量。获得这一性能水平的关键思想是通过两种算法来划分同时定位和建图的复杂问题，该问题寻求同时优化大量变量。一种算法以高频但低保真度进行里程测量，以估计激光雷达的速度。另一种算法以较低数量级的频率运行，用于点云的精细匹配和配准。这两种算法的结合允许该方法实时建图。该方法已通过大量实验以及KITTI里程计基准进行了评估。结果表明，该方法可以达到离线批处理方法的精度水平。

Introduction

  3D建图仍然是一种流行的技术[1]–[3]。使用激光雷达进行测绘是常见的，因为激光雷达可以提供高频范围测量，无论测量的距离如何，误差都相对恒定。在激光雷达的唯一运动是旋转激光束的情况下，点云的配准很简单。然而，如果激光雷达本身在许多环境的应用中都在移动，则精确建图需要在连续激光测距期间激光雷达的姿态。解决这个问题的一种常用方法是使用独立位置估计（如，通过GPS/INS）将激光点标记在固定的坐标系中。另一组方法使用里程计测量，例如从车轮编码器或视觉里程计系统[4]，[5]记录激光点。由于里程计集成了随时间推移的小增量运动，所以它必然会漂移，并将大量注意力集中在减小漂移（例如，使用回环检测）。
emsp; 因此，我们考虑使用2轴激光雷达在6自由度移动的方法创建的地图与低漂移测距。使用激光雷达的一个关键优势是它对场景中的环境照明和光学纹理不敏感。随着激光雷达的发展，它们的尺寸和重量缩小了很多。激光雷达在人手持的情况下穿越环境[6]，也可以连接到微型飞行器[7]。由于我们的方法旨在推动里程计估计中的最小化漂移相关的问题，因此目前不涉及回环问题。

  该方法实现了低漂移和低计算复杂度，无需高精度测距或测距。获得这一性能水平的关键思想是通过两种算法将典型的SLAM复杂问题[8]进行划分，该问题寻求同时优化大量变量。一种算法以高频、低保真度进行里程测量来估计激光雷达的速度。另一种算法以较低数量级的频率运行，用于点云的精细匹配和配准。尽管不必要，但如果IMU可用，则可以提供运动先验以帮助描述高频运动。具体来说，这两种算法都提取位于边缘和平面上的特征点，并分别将特征点与边线段和平面面片匹配。在里程计算法中，通过保证快速计算找到特征点的对应关系。在建图算法中，通过相关特征值和特征向量检查局部点簇的几何分布来确定对应关系。
  通过对原始问题进行分解，首先解决了一个简单的问题，即在线运动估计。之后，建图作为批量优化（类似于迭代最近点（ICP）方法[9]）进行，以生成高精度运动估计和地图。并行算法结构保证了问题实时求解的可行性。此外，由于运动估计是在更高的频率下进行的，因此给建图足够的时间来提高精度。当以较低的频率运行时，建图算法能够包含大量的特征点，并使用足够多的迭代进行收敛。

Related Work

  激光雷达已经成为机器人导航中应用广泛的传感器[10]。对于定位和建图，大多数都使用2D激光雷达[11]。当激光雷达扫描速率远高于其外部运动时，扫描中的运动畸变通常可以忽略。在这种情况下，标准ICP方法[12]可用于匹配不同扫描之间的激光数据。此外，还提出了一种两步法来消除畸变[13]：基于ICP的速度估计步骤之后是畸变补偿步骤，使用计算出的速度。类似的技术也用于补偿单轴3D激光雷达引入的畸变[14]。然而，如果扫描频率相对较低，则运动畸变可能严重。这也是为什么使用两轴激光雷达，因为一个轴通常比另一个轴慢得多。通常，其他传感器用于提供速度测量，通过这些测量，可以消除运动畸变。例如，可以通过与IMU集成的视觉里程计的状态估计来标记激光雷达点云[15]。当多个传感器（如GPS/INS和车轮编码器）同时可用时，问题通常通过扩展卡尔曼滤波器[16]或粒子滤波器[1]解决。这些方法可以实现实时建图，以辅助机器人导航中的路径规划和避障。
  如果在不借助其他传感器的情况下使用双轴激光雷达，运动估计和畸变校正将成为一个问题。Barfoot等人使用的一种方法是从返回激光强度创建视觉图像，并在图像之间匹配视觉上不同的特征[17]，以恢复地面车辆的运动[18]–[21]。在[18]、[19]中，车辆运动被建模为恒定速度，在[20]、[21]中，车辆运动被建模为高斯过程。我们的方法使用了与[18]、[19]中类似的里程计算法线性运动模型，但具有不同类型的特征。方法[18]–[21]涉及强度图像的视觉特征，需要密集点云。该方法在笛卡尔空间中提取和匹配几何特征，对点云密度要求较低。
  最接近我们的方法是Bosse和Zlot[3]，[6]，[22]。他们使用两轴激光雷达获取点云，点云通过匹配局部点云的几何结构进行标记[22]。此外，他们使用多个2轴激光雷达绘制地下矿井地图[3]。此方法包含IMU，并使用回环检测构建大型地图。Zebedee是由同一作者提出的一种测绘设备，由2D激光雷达和IMU组成，IMU通过弹簧连接到手杆上[6]。建图时通过手动操作设备进行的。通过批量优化方法恢复轨迹，该方法处理分段数据集，并在分段之间添加边界约束。在该方法中，使用IMU的测量值来标记激光点，并使用优化来校正IMU偏差。本质上，Bosse和Zlot的方法需要批处理来开发精确的地图，因此不适用于需要实时地图的应用。相比之下，所提出的方法实时生成的地图在质量上与Bosse和Zlot的地图相似。区别在于我们的方法可以为自主车辆的导航提供运动估计。此外，该方法利用了激光雷达扫描模式和点云分布。在里程计和建图算法中，分别实现了保证计算速度和精度的特征匹配。

注意！！

考虑到如此长篇大论可能会没有人看，决定将翻译后的中文文档和英文原论文一起上传为资源，有需要的自取。（个人英文水平有限，翻译中难免有错，希望大佬们指出，谢谢）