激光SLAM--(8) LeGO-LOAM论文笔记

lonely-stone

已于 2022-10-15 20:47:54 修改

阅读量1.1k

点赞数 1

分类专栏： slam 激光SLAM 文章标签：论文阅读

于 2022-10-15 20:08:02 首次发布

本文链接：https://blog.csdn.net/qq_42692305/article/details/127334646

版权

slam 同时被 2 个专栏收录

8 篇文章 1 订阅

订阅专栏

激光SLAM

8 篇文章 2 订阅

订阅专栏

论文标题：LeGO-LOAM：Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain
应用在可变地形场景的轻量级的、并利用地面优化的LOAM

ABSTRACT

轻量级的、基于地面优化的LOAM实时进行六自由度位姿估计，应用在地面的车辆上。
强调应用在地面车辆上是因为在这里面要求雷达必须水平安装，而像LOAM和LIO-SAM的话对于安装点是没有要求的，并且运行中角度也可以改变。
LeGO-LOAM是轻量级的，在嵌入式设备上也可以；并且LeGO-LOAM基于对面优化，在分割和优化的过程中利用地面的存在。
首先进行点云分类，并利用分类去除了一部分噪声点，通过特征获得面点和角点（这部分和LOAM一致）。
通过两步的LM优化，利用角点和面点进行相邻帧的位姿计算，LeGO-LOAM在更低计算量的情况下达到了想死或更好的精度。
LeGO-LOAM中用关键帧的概念对后端进行一个管理，用回环检测的方法来消除累积误差（LOAM中无回环检测）。

INTRODUCTION

传统求解相邻两帧位姿的方法是通过迭代最近邻点的方式（ICP），当场景非常大时，会包含很多店，那么ICP会非常耗时。于是有几种变种，例如PL-ICP等。

本论文工作场景：在地面的小车上装一个3D的激光雷达，来获得实时可靠的6自由度位姿估计，并且将算法部署到小规模的嵌入式系统中。

loam在此工作场景中的问题

计算量问题：许多无人驾驶车辆上无法安装强大的计算单元
运动激烈时候的问题：
当小车在多种场景下跑的时候，由于颠簸，运动并不是十分平滑，导致数据有运动畸变。（LOAM中是通过匀速模型去除运动畸变，这里不再适用），由于运动强烈也会导致联系两帧的特征点匹配也会出现异常。
另外，大量的激光点云对于低功耗的嵌入式平台很难达到实时性。
噪点的问题：
UGV的运行环境会有很多的噪点。比如雷达与地面接近，那地面上的噪声也会影响LOAM，例如在草地上跑，可能会把草提取成角点，但草不可靠，很难再找到匹配点或者错误。除此之外，树叶也不是好的特征点。

LeGO-LOAM中对上述问题的解决

解决噪点问题：点云的分类先通过地面分割后，去除不可靠的特征点。
解决计算量（轻量化）问题：由于是基于地面的优化，LeGO-LOAM通过两步的优化来进行位姿的估计。
第一步：通过地面点中提取面点，然后进行 $t_z, θ_{roll}, θ_{pitch}]$ 的估计
第二步：通过角点来进行 $t_x, t_y, θ_{yaw}]$ 的估计
修正位姿漂移：集成回环优化

LeGO-LOAM系统框架

在这里插入图片描述

整个系统分为五个模块：

分割：获取单次扫描的点云，并将其投影到距离图像上进行分割
特征提取：分割的点云被发送到特征提取模块
激光雷达里程计：使用从先前模块中提取的特征来寻找与连续扫描相关的变换。
激光建图部分：这些特征在激光建图部分被转换到全局点云地图中进一步处理。
变换集成模块：融合来自激光雷达里程计和激光雷达建图的姿态估计结果，并输出最终的姿态估计

LeGO-LOAM系统

A.点云分割

$P_t$ 是t时刻的一帧点云数据（ $P_{t}=\left\{p_{1}, p_{2}, \ldots,p_{n}\right\}$ ）,首先把 $P_t$ 映射到深度图像上去。
进行地面点分类：因为UGV可能会在斜坡上运动，所以没有假设地面点是一个水平面，具体操作是：通过深度图像的每一列进行地面点的提取，然后作点云分类，在后面的点云分类中，地面点将不再参与，因为已经分了。
其他点分类及过滤：后续的点云基于图像的分割方法，将点云分成很多簇，同一簇的点云配上唯一的标签（地面点是一种特殊类型的簇，对点云进行聚类分割可以提高处理效率和特征点提取精度），为了实现快速和可靠的特征提取，把小于30个点的聚类进行过滤，即不会在这些点中进行特征提取
做完聚类之后，去除聚类小于30的点后保留的点，其中红色点是地面点；其余代表比较大的目标，比如建筑物，树干等
同时也会把这些点存储到深度图像中去，过滤的点则会被深度图像删除
保留的点会存储三种属性：是否是地面点的标签、在深度图像的行嘞索引、距离（点到雷达中心的距离）

补充–深度图像
在这里插入图片描述图像分辨率如图，为1800x16,1800是一帧激光雷达点云里面每一个scan上有1800个点，16就是有16个scan，每个点对应在自己的位置，其像素值就是该点到雷达中心的距离，即 $\operatorname{pix}=\sqrt{\mathrm{x}^{2}+\mathrm{y}^{2}+\mathrm{z}^{2}}$

在这里插入图片描述

B.特征提取

这部分和LOAM差不多，区别在于LeGO-LOAM不是从原始点云中提取特征，而是从地面点和分割点中提取特征。
具体过程：

先算一个曲率 $c=\frac{1}{|S| \cdot\left\|r_{i}\right\|}\left\|\sum_{j \in S, j \neq i}\left(r_{j}-r_{i}\right)\right\|$
这个曲率会和一个阈值进行比较，大于阈值就是角点，小于阈值就是面点。
把每个scan分成6段子图，则每个子图就是300*16，在每个子图中分别选取角点2个、面点4个、弱角点40个和弱面点80个。

C.前端里程计

任务还是估计相邻帧之间的位姿估计，估计的方法是在相邻帧之间做点到线的约束和点到面的约束，与LOAM一致。
在这里插入图片描述

在LOAM上的改进：

基于标签的匹配：在特征提取部分提取的特征点都会有个标签（分割的时候分配的），
因此在找对应点时，标签必须一致；
对于面点，仅在上一帧中找地面点与之匹配；
对于角点在上一帧对应的标签中找对应角点；这样会提高精度。
两步LM优化：首先做地面点优化，再做角点优化
第一步：通过当前帧地面点和上一帧匹配的地面点估计出 $t_z, θ_{roll}, θ_{pitch}]$ ；
第二步：通过当前帧角点和上一帧匹配的角点估计出 $t_x, t_y, θ_{yaw}]$ ，并利用第一步得到 $t_z, θ_{roll}, θ_{pitch}]$ ；
虽然第一步中就可以估计出 $t_x, t_y, θ_{yaw}]$ ，但是精度不高，不能用于第二步的估计，最后两步估计的结果加起来及时6自由度结果
通过这种方式的优化，计算时间比原始LOAM减少35%