Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
点云地图虽然易于构建,但是难以表征具有不确定性的观测和特征。不同激光由于分辨率和扫描方式不同,对于环境特征的感知存在较大差距。本文提出来一种自适应体素建图方法,基于不同大小的体素存储环境平面特征的参数和不确定度。
本文的主要贡献如下:
1、自适应的多尺度体素地图构建方法。
2、基于概率的地图表达方法
概率平面表达
基于激光测量误差和位姿估计误差计算世界坐标系下点的误差,基于平面法向量估计方式估计法向量的误差。
由粗到细的体素地图构建方法
地图由哈希表和八叉树构成,哈希表管理最上层的地图结构,八叉树每个节点中存放一个平面,如果一个节点中的点不能被表示为一个特征,拆分这个节点。
后续地图的点被送到对应的节点中,在面特征稳定后删除旧的观测,只保留最新观测,如果新的观测和旧的观测冲突,删去旧估计重写估计位姿。
基于卡尔曼滤波的定位方法
根据平面和点的不确定度,采用和FAST-LIO2相似的方法进行地图构建。