点击上方“计算机视觉工坊”,选择“星标”
干货第一时间送达
Loam livox(2019 IROS)
介绍: 大疆出品,必属精品。 固态激光雷达里程计的工作现阶段还是比较少的,大疆自己出了固态激光雷达后在LOAM的基础上改进了一个适用于固态激光雷达的里程计,该系统可以用在小视场角和非重复性扫描的雷达上。
代码地址:在公众号「3D视觉工坊」,后台回复「loam_livox」,即可直接下载。
需要知道的介绍
需要知道的是(文章最后有相关的技术手册):
固态激光雷达的视角很小,Livox MID40的视角仅有38.4度。但是想要获得大的视角可以使用多个固态的激光雷达(比如MID-100其实就是3个MID-40)。
扫描图案不均匀,原来的激光雷达规则扫描,极大的简化了特征提取和匹配。但是固态激光雷达扫描不均匀Livox MID40扫描的图案类似花瓣,相邻的两次扫描距离很远。
非重复扫描,这样可以最大化覆盖率(尽可能多的得到场景中的信息)。
运动畸变,同一帧的点云扫描有先后顺序的,由于运动可能导致同一帧的点云出现运动畸变。
为了解决上述的问题,作者创建了Loam_Livox工具包。解决了在小的视角下进行特征选择和提取的任务,有严格的外点剔除策略,移动的对象滤波和运动畸变补偿。在没有诸如IMU、相机、GPS等传感器的基础上,利用点云和局部地图的匹配鲁棒的实时计算雷达的位姿。
相关工作
目前有点到点,点到面和点到边缘的匹配方式,3D的特征有Point Feature Histograms (PFH)和viewpoint Feature Histograms (VFH)等。本文采用的是点到平面和点到边缘的匹配方式,为了解决运动畸变的问题,可以在前端进行线性插值,最近有的方法提出也可以在后端利用优化的方法进行畸变矫正。虽然优化的方法更好但是不实时运行。 本文的主要贡献有:
针对小视角的雷达提出了完整的LOAM算法
通过考虑low-level的雷达参数增加了LOAM算法的精度和鲁棒性
提出了一种简单但是有效的运动补偿的方法。分段处理,并使其实现并行化。
特征选择和提取
系统概述如下图所示,其前端处理包括点的选取和特征的提取。考虑到激光雷达传感器的low-level物理特性(如激光光斑大小、信噪比)的测量机制,我们进行点级选择来提取“优点”。
A.点的选择
计算点距离雷达的距离