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。