在后端优化中,引入了线特征和面特征的激光里程计。
特征提取和表达
线特征和面特征的提取采用和LOAM相同的光滑度策略。线特征和面特征表示为中心坐标,方向向量/法向量和属于直线和平面的点。采用分块的方法计算平面法向量。
Scan-to-Scan匹配
目标函数和LOAM是一样,使用KD-tree做最近邻匹配,迭代优化点到直线和点到平面的距离,但是优化过程不同,使用LM法和李代数来对位姿进行优化。论文里面给出了基于李代数的目标函数求导过程式。
Scan-to-Map匹配
- 降采样
为了加快优化速度,需要对局部地图中的几何特征进行降采样。基于Voxel Grid的降采样策略的简单平均方法对几何特征不适用。采用基于协方差矩阵奇异值的降采样策略,通过 α P l a n e = ( σ 1 + σ 2 ) / ( σ 1 + σ 2 + σ 3 ) \alpha _{Plane} = (\sigma_1 + \sigma_2)/(\sigma_1 + \sigma_2 + \sigma_3) αPlane=(σ1+σ2)/(σ1+σ2+σ3)和 α L i n e = σ 1 / ( σ 1 + σ 2 + σ 3 ) \alpha_{Line} =\sigma_1/(\sigma_1+\sigma_2+\sigma_3) αLine=σ1/(σ1+σ2+σ3)来对几何特征进行采样。 - 位姿初始化和局部地图构建
通过累乘里程计位姿估计位姿初值,采用和LOAM一样的Grid Map策略,分块提取局部地图。 - 位姿估计和地图优化
使用kd-tree找到匹配的直线和平面之后,在限制中心点距离和点到平面距离的前提下,优化法向量夹角和平面之间距离。
使用加权均值的方式,融合当前优化的几何特征和全局地图中的几何特征。