MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square

  提出了一种基于点线面特征的多尺度最小二乘优化方法，并结合基于邻域类别上下文描述子（Neighborhood category context encoding，NCC）和TEASER的后端，建立了鲁棒高精度的激光SLAM系统。

几何特征提取和编码

地面检测

  分组提取高度最低的一部分点，基于这些点，使用RANSAC进行地面拟合。

非地面点分类

  计算点邻域协方差，根据特征值的大小差异，将点分为垂直/水平平面/直线点，和离散点。

邻域类别上下文描述子

  描述子包括四种几何特征在总特征中的占比，归一化的强度均值和地面高度。

多尺度线性最小ICP

多元特征匹配

  通过最近距离搜索匹配特征点，不同类型的特征点存在不同的阈值，几何特征存在法向量和主方向限制。

多元变换估计

  根据特征类型，分别计算点到点，点到直线，点到平面匹配的代价的雅克比矩阵，构造代价函数。

多阶段权重

  每个特征的权重分为三个部分，残差权重，平衡权重和强度权重。残差权重固定为pseudo-Huber kernel，考虑到三个约束的一致性，降低地面点和水平平面点的权重。强度权重抑制强度不一致的匹配。

匹配质量估计

  通过后验方差和信息矩阵来衡量匹配的质量。

MULLS前端

  基于运动不变假设进行Scan2Scan的初步优化，将结果用于Scan2Map的优化直至收敛，局部地图保持恒定的半径，同时只保留成功匹配的特征。

MULLS后端

  通过NCC获取匹配先验，使用TEASER提供位姿估计初值，使用Map2Map的MULLS-ICP来估计位姿。使用匹配质量估计来验证匹配有效性。