概述:
点云匹配算法是为了匹配两帧点云数据,从而得到传感器打的前后位置差。匹配算法从最初的ICP方法已经发展出了多种改进的算法,他们分别从配准点的需要,误差方程等方面进行了优化下面分别介绍:
4.1 ICP
也叫点对点PP-ICP,基本思想是:
如上图所示,求解旋转矩阵R 和平移矩阵t 使得误差最小。
对于已知两组点云的对应点,一次迭代即可求出 R t。
证明:
求出R 和t
在实际工程中一般不知道两个点云是 如何配对的,只能通过迭代求解的方法缩小误差,理论上点云完全重刻即E (R,t)最小。
ICP 存在的问题:
两帧激光点云数据中不可能表示的是空间中相同的位置。所以用点到点的距离作为误差方程必然会引入随机误差。
更详细的资料可以 参考论文:Least-Squares Fitting of Two 3-D Point Sets
4.2 PL-ICP 匹配方法
PL-ICP相对于PP-ICP最大的区别是其改进了误差方程。PP-ICP是点对点的距离作为误差而PL-ICP是采用点到其最近两个点连线的距离。下图展示了误差方程的差异。
PL_ICP的基本思想:
- 激光点是对实际环境中曲面的离散采样
- 重要的不是激光点,而是隐藏在激光点中的曲面
- 最好的误差尺度为当前激光点到实际曲面的距离;关键的问题在于如何恢复曲面
- PL-ICP的答案:用分段线性的方法来对实际曲面进行近似,从而定义当前帧激光点到曲面的距离
论文中的步骤:
论文中关于 PL-ICP与 ICP的区别
PL-ICP 容易陷入局部最小,所以通常是用里程计得到一个初始转换矩阵 q0 给到PL-ICP作为初始值。
csm源码包分析:
ros的csm包实现了ICP和PL-ICP算法。源码包和论文下载地址如下:
https://censi.science/software/csm/
csm包的作者给出了一个该功能包的操作说明文件(csm_manual.pdf)。里面详细描述了各项配置参数的含义。
其中sm/app文件夹中的sm0.c sm1.c sm2.c sm3.c 相当于是几个使用示例。
主要的算法实现是在csm/icp文件夹中的几个文件里。论文中的所有算法步骤完整的体现在了icp_loop.c文件中的icp_loop函数里。
CSM源码
参考论文:An ICP variant using a point-to-line metric
4.3 NICP算法
NICP方法与ICP方法的主要流程和思想是一致的。但是它在Trim outlier和误差项里考虑了更多的因素。这也是它效果更好的原因。它充分利用实际曲面的特征来对错误点进行了滤除,主要使用的特征为法向量和曲率。在误差项里除了考虑了点到对应点切面的距离,还考虑了对应点法向量的角度差。目前NICP方法开源的代码主要是针对3D点云的,其调用了Eigen库和OpenCV库。源码中显示的部分调用了QT5。既然NICP方法考虑了法向量和曲率,那么就涉及到了如何求解点的法向量和曲率。
点云匹配的规则就是杂点不匹配。
雅克比求解泰勒展开;LM迭代求解,直到收敛。
算法流程总结:
1. 计算参考激光帧和当前激光帧中每一个点的法向量和曲率。(高斯拟合,然后用svd奇异值分解,然后求曲率,最小特征值对应的特征向量就是法向量)
2. 根据当前解,把当前激光帧的点转换到参考坐标系中,并且根据欧式距离、法向量、曲率等信息来选择匹配点(也有可能没有匹配点)。
3. 根据上面介绍的方法,用LM方法进行迭代求解,迭代收敛即可得到两帧激光数据之间的相对位姿。
对NICP的总结:
1)由于在寻找点匹配的过程中,考虑了环境 曲面的法向量和曲率,因此可以提前排除 一些明显是错误的匹配。这样就减少了计算量并且提高了计算结果的精度。
2)在误差定义中,除了考虑欧式距离之外,还考虑了法向量之间的夹角,因此具有更加准确的求解角度。
3)用LM方法进行迭代求解目标误差方程,迭代收敛即可得到两帧激光数据之间的相对位姿。
源码地址
参考网址:http://jacoposerafin.com/nicp/
4.4 IMLS((Implicit Moving Least Square))ICP
IMLS-SLAM是一个仅依赖点云数据的低漂移(low-drift)SLAM算法。其依赖于一个scan-to-model的匹配框架。这里的model可以认为是对点云进行的局部曲面建模。
IMLS:隐式的移动最小二乘;
- Implicit 隐式,由于实际的曲面的显式方程难以求出,实际是求点到曲线的距离,拟合一曲面。
- Moving 滑动窗口法:
- Least Square 最小二乘法求解;
理论上最好的算法,因为对实际环境的拟合是最真实的,精度最高。
目前没有开源的slam的ros算法包;
曲面重建越准确,对真实世界描述约准确,匹配的精度就越高。
ICP和IMLS的对比:
1、ICP收敛到了一团点上,收敛结果不稳定;
2、IMLS-ICP收敛到了曲线上,符合真实情况,拟合结果稳定,误差尺度更好;
具体措施:
1)scan egomotion
egomotion的定义如下:
进行激光数据的运动畸变去除。在雷达扫描一圈的过程中,车子是在运动的。这会造成一帧激光的时间内,每束激光测量时车子实际的位置是不同的。论文里假设两次连续的激光扫描间隔,车子的egomotion是相似的。所以采用上一次的相对位移来计算当前的实际的egomotion。
2)去除动态障碍物
在匹配scan和model之前,我们要去除scan中所有移动物体。我们采用去除所有可能会动的小物体的方法:首先,删去地面点云,聚类,并抛弃所有(bounding box的)长小于14m,宽小于14m,高小于4m的物体。剩下的结构足够我们匹配。最后添上去掉的地面点云。
3)特征点的选取
选取思路:
- 具有丰富特征的点,去即为结构化的点:具有良好的曲率和法向量的定义。去除不好的杂点。
- 曲率越小的点越好,因为曲率为0代表着直线,代表着最结构化的点,也代表着具有非常好的法向量定义,能够提供足够的约束。
- 选点的时候需要注意选取的激光点的均衡以保证可观性,(因为激光常常会出现点分布不均匀的情况,可能会让最终匹配结果偏向特征点丰富的一边,令匹配失真;)因为是平面匹配,不存在角度不可观的情况。只需要考虑X方向和Y方向的可观性。要保证两者的约束基本上是一致的, 才能让结果不出现偏移。(角度不可观一般遇不到,除非是一个非常圆的环境,没有别的特征,难以分辨方位)
大概率上,随着角度的偏转,观测的点云是不一样的。所以角度一般是可观的。对于二维SLAM,只需保证X方向和Y方向上选取的点云数量接近就可以。而对于三维则需要考虑6个维度(X,Y,Z,roll,pitch,yaw)。
代表点的选择策略:
- 2D激光:选择直线;
- 3D激光:选择平面;
4) 曲面重建
我们认为激光点云是分布在真实曲面的附近,并可以用高斯分布描述。如下图
权重W在这的作用就是只取点x附近的一部分点使用上面的公式重建曲面,而在曲面上离点x比较远的就不需要考虑了,距离越远,权重W就越小。
5)匹配求解
总结:
IMLS-ICP使用高斯拟合和最小二乘重建出一个隐含的曲面。找到空间点在隐含曲面的投影点。使用点到该曲面上投影点间的距离构建误差方程。
参考网址:
IMLS-SLAM 论文学习
IMLS-SLAM: scan-to-model matching based on 3D data,Jean-Emmanuel Deschaud
ICP方法初始值的设定方法
一个好的初始值可以减少icp迭代的次数,提高效率和效果。初始值的设定可以从下面三个角度来考虑:
1.、假设机器人静止,设置帧间位移为0。
2、假设机器人匀速运动,利用上一时刻机器人的速度和时间,计算当前时刻机器人位移间隔,将此作为初值传入icp
3、利用传感器如里程计、IMU等,计算前后两时刻的初始位移。实际使用时要注意坐标系的转换。因为icp方法实在激光坐标系下进行的。
提升ICP方法精度和速度的一些考虑
精度上:
1)使用其他传感器或方法(如里程计、IMU)提供初值(coarse to fine)。
2)Ransac框架,去除outlier。
效率上:
1)选取合适的采样点。IMLS-ICP的论文里就提到了一些去除误差点的方法。
2)使用合适的数据结构,提高程序的运行效率。
参考链接: