本文基于特征选择点云中的关键区域,仅使用关键区域来进行位姿跟踪和全局定位,在加快了速度的同时,优化了效果。
特征提取
采用和LOAM相似的特征提取策略,采用启发性阈值代替了对光滑度进行排序。
在方形区域中,计算特征分布的协方差矩阵。根据协方差矩阵的特征值计算方形区域的重要性。
f
=
λ
1
e
∑
j
∈
Σ
e
λ
j
e
∣
P
e
∣
+
η
λ
1
p
+
λ
2
p
∑
j
∈
Σ
p
λ
j
p
∣
P
p
∣
f=\frac{\lambda_{1}^{e}}{\sum_{j \in \Sigma^{e}} \lambda_{j}^{e}}\left|P^{e}\right|+\eta \frac{\lambda_{1}^{p}+\lambda_{2}^{p}}{\sum_{j \in \Sigma^{p}} \lambda_{j}^{p}}\left|P^{p}\right|
f=∑j∈Σeλjeλ1e∣Pe∣+η∑j∈Σpλjpλ1p+λ2p∣Pp∣
上式考察一个区域内的特征是否具有相似的方向向量或者法向量。
重要性更新
基于粒子滤波来进行方向区域的重要性更新和机器人位姿估计。使用重要性作为粒子的权重。去除重要性过低和运动不一致的粒子。
其他细节
- 在激光前方随机生成一些粒子来避免粒子缺乏。
- 在车辆四个方向分别执行贝叶斯滤波来保证特征的均匀分布和约束的完整性。
- 抑制粒子过于集中在高重要性的区域中。
- 使用Monte Carlo方法来进行点云区域的匹配。
实验
基于ROI对传统激光SLAM进行修正,只在关键区域中执行里程计和全局定位。
粒子滤波隐式去除动态物体有利于提升算法的精度,只采用关键区域能够有效提升速度。