动态SLAM】—4.03（1）

论文信息

题目：

Plane-based scan registration with moving vehicles exclusion 
基于平面的扫描登记与移动车辆的排除

论文地址：

Robotics and Autonomous Systems 

发表期刊：

Robotics and Autonomous Systems 83 (2016)261–274  

标签

基于激光雷达、GPS、IMU、轮式编码器辅助激光雷达进行动态物体滤除、点云畸变纠正

摘要

本文提出了一种扩展的二维虚拟扫描来处理场景中所有的移动物体，克服了原来的虚拟扫描[7]只记录最近障碍物的缺点。对于每个移动物体，我们使用新颖的基于似然场的车辆测量模型估计其姿态，并利用[7]中提出的运动证据来验证移动物体是否是车辆，只需连续两次扫描。由于车辆被限制在2D地面上移动，一些在3D空间中可见的车辆可能会消失

本文主要有两个方面的贡献:一是基于似然场的车辆测量模型，可以处理车辆的姿态估计;二是在对准过程中基于平面的度量准则，可以很好地匹配激光雷达特征点。第一个贡献更为重要

内容简介

我们提出了一种新的算法来删除场景中所有移动的车辆。首先，我们提出了一种扩展的二维虚拟扫描来处理场景中所有的移动物体，克服了传统虚拟扫描只记录最近障碍物的缺点。其次，我们结合基于似然场的车辆测量模型和尺度级数粒子滤波器的优点，提出了一种新的车辆姿态估计方法

对于运动物体的检测，在连续两次扫描中了解发生在场景中的变化是可取的。通过将两次连续扫描投影到当前激光雷达坐标系中的扩展虚拟扫描中，并结合GPS和惯性导航系统(INS)(如果可用)或本地轮编码提供运动补偿，可以通过检查箱子属性的变化轻松检测到变化。

在现实交通场景中，使用来自移动Velodyne HDL-64E的数据进行扫描配准可能很困难，因为该问题涉及移动车辆的移除和在大量点云中运动的估计。在本文中，我们提出了一种扩展的二维虚拟扫描，通过两次连续扫描之间的扫描差值操作，通过gps辅助惯导系统或本地轮码的运动补偿来获取场景中所有的运动物体。对于每个移动物体，车辆都拟合了我们提出的基于似然场的车辆测量模型。在通过车辆运动证据验证后，删除击中移动车辆的点，并将剩余的点作为我们对齐的输入

在对准过程中，我们首先通过在扫描区间内线性插值姿态变换来校正运动激光雷达的畸变点。然后利用概率框架对所选两类特征点的局部平面结构进行建模，可视为保证法线方向高置信度的平面到平面度量准则。

评价

采用高频粗运动估计和低频细批量调整相结合的方法来解决姿态估计问题。在我们的点云上进行了大量定性实验，并与来自公共KITTI里程计数据集的高速公路上最先进的方法进行了定量比较，验证了我们方法的有效性