最近在调试legoloam的时候发现一个问题,环境的不同,legoloam的定位以及建图效果差别很大,猜测是可能会和环境点云的特征提取有关。环境复杂时,无法提取合适的特征来估算位姿。
三.点云的预处理
1.获取雷达角度范围
在处理点云之前,legoloam首先获取了雷达的范围,也就是激光雷达的角度范围,并进行了编号(猜测这一步影响了混合式雷达的建图过程,因为混合式雷达并不是360度旋转,因此在适用legoloam的时候需要修改),求范围的方法也很简单,直接对点云的第一个点的xy求反函数得到初始角,对点云的最后一个点的xy求反函数(tan的值)得到最后一个末尾的角度值。
// 获取激光数据的角度范围
void findStartEndAngle()
{
// 雷达内部旋转扫描方向:Z轴俯视下来,顺时针方向(Z轴右手定则反向)
// atan2(y,x)函数的返回值范围(-PI,PI],表示与复数x+yi的幅角
// segMsg.startOrientation范围为(-PI,PI]
// segMsg.endOrientation范围为(PI,3PI]
// 因为内部雷达旋转是顺时针的
segMsg.startOrientation = -atan2(laserCloudIn->points[0].y, laserCloudIn->points[0].x);
// 下面这句话怀疑作者可能写错了,laserCloudIn->points.size() - 2应该是laserCloudIn->points.size() - 1
segMsg.endOrientation = -atan2(laserCloudIn->points[laserCloudIn->points.size() - 1].y,
laserCloudIn->points[laserCloudIn->points.size() - 1].x) + 2 * M_PI;
// segMsg.endOrientation - segMsg.startOrientation范围为(0,4PI)
// 如果角度差大于3Pi或小于Pi,说明角度差有问题,进行调整。
if (segMsg.endOrientation - segMsg.startOrientation > 3 * M_PI)
{ // 说明终点 角度为 pi - theta + 2*pi 起点的角度为 -pi + theta
segMsg.endOrientation -= 2 * M_PI; // 这样的话 endOrientation 就不需要 + 2*pi了
} else if (segMsg.endOrientation - segMsg.startOrientation < M_PI)
{ // 终点角度 < 0 (-pi左右), 起点>0 (pi左右)
segMsg.endOrientation += 2 * M_PI;
}
// segMsg.orientationDiff的范围为(PI,3PI),一圈大小为2PI,应该在2PI左右
segMsg.orientationDiff = segMsg.endOrientation - segMsg.startOrientation;
}
2.点云图像化处理
获得角度之后就要进行点云图像化处理。
在进行图像化处理之前需要知道距离图像坐标 (rowIdn, columnIdn)的。求解公式如下,ang_bottom是雷达视场角,ang_res_y垂直分辨率,Horizon_SCAN点云数。因此如果雷达参数设置错误,直接影响点云的图像化,导致建图出错。
verticalAngle = atan2(thisPoint.z, sqrt(thisPoint.x * thisPoint.x + thisPoint.y * thisPoint.y)) * 180 / M_PI;
rowIdn = (verticalAngle + ang_bottom) / ang_res_y;
horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI;
columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;
3.点云分割
在点云分割环节,框架定义了一个函数labelComponents(),该函数对所有的点进行遍历,并通过广度优先搜索进行搜索判断是否是同一个聚类。聚类的分割以角度值为阈值。大于这个阈值说明两者之间没有突变,所以可以认为是同一个聚类。