基于隐表面模型的POU-SLAM：Scan-to-Model Matching Based on 3D Voxels

摘要：

 LiDAR数据的本地化和地图绘制是自动驾驶汽车的基本组成部分。尽管与视觉信息相比，LiDAR点云通常可以对场景深度进行编码，但基于激光的同时定位和制图（SLAM）仍然具有挑战性，因为数据通常稀疏，密度可变且具有较低的判别力。本文的目的是提出一种准确可靠的基于激光的SLAM解决方案。设计/方法/方法：该方法从基于3D输入点云构建体素网格开始。然后将这些体素根据每个体素中包含的点的空间分布分为三种类型，以指示不同的物理对象。在地图构建的过程中，将维护具有统一分区（POU）隐式表面的全局环境模型，并且这些体素是通过Levenberg-Marquardt算法逐步整合到模型中。发现：本文提出了一种基于激光的SLAM方法，该方法使用POU隐式表面表示来构建模型，并在不闭环的情况下在KITTI里程表基准上进行评估。与LOAM相比，本文的方法实现了约30％的转换估计精度改进，并且牺牲了可接受的效率。总的来说，与LOAM相比，本文的方法使用更复杂，更准确的表面表示来提高建图精度，但以计算效率为代价。