Intensity SLAM 论文笔记

Intensity SLAM 论文笔记

方法

强度前端包括强度矫正，特征提取和扫描上下文里程计估计

强度- slam系统概述。在前端，我们分析几何和强度特征来估计里程。在后端，我们使用强度扫描上下文进行环路闭合检测和全局位姿图优化。

A. 强度矫正

激光雷达发射激光束并测量到达时间以及反射信号的能量。物体在传感器坐标中的位置由发射角度和距离(即到达时间)决定。强度值由从反射信号接收到的能量与发射的激光功率之间的比率决定。

接收功率Pr的物理原理可确定为[21]:

其中Pe为发射激光束的功率，Dr为接收机孔径直径，ηsys为系统透射因子，ηatm为大气透射因子，α为物体表面与激光束之间的入射角，ρ为物体的材料反射率。其中，距离测量R和入射角α为外部参数，ηsys和ηatm为常数参数。

因此，强度测量I由[21]确定:

其中η都是常数。因此，表面反射率ρ只与入射角α和测量距离R有关

对于激光雷达扫描，距离可以很容易地测量。因此，可以通过分析局部法线来估计入射角。对于每一点p∈R3，我们可以搜索最近的两点p1和p2，使得局部表面法向量n可以Loop表示为:

其中×是叉乘。入射角是

因此，我们可以从具有几何读数P和强度读数I的原始LiDAR扫描中推导出校准的强度扫描~ I，具体而言，在某些传感器中，默认情况下，强度是用距离测量部分校准的，因此我们仅将校准应用于入射角。此外，低强度值往往会导致较低的信噪比(SNR)，这也会影响[28]值较低的强度测量的测距精度。在实际应用中，强度较低的点往往被忽略.

重点选择和特征提取

将点云与特征[7]，[13]相匹配具有更强的鲁棒性和计算效率。在本文中，我们利用基于几何和强度信息的特征，而不是仅使用几何特征。校准的强度信息包含环境的反射率剖面，揭示了不同物体的分布。

强度信息也有助于识别跨多帧的相同特征。对于每个点pi∈P及其强度值,我们搜索附近的点Ni∈P并计算局部距离分布σ和强度分布σ:

|N |是点的数量。特征的选择基于加权求和:

其中wG和wI分别为几何分布和强度分布的权重。注意，对于墙壁等平面，平滑度值很小;而对于角点或边点，平滑度值较大。这样，每次扫描，从σ大的点中选取边缘特征PE∈P，从σ小的点中选取平面特征PS∈P

C.强度地图构建

强度图M包含了周围环境的反射率分布。对于大多数只考虑几何图形的SLAM，地图是通过占用网格[29]或Octomap[30]来维护和更新的。三维空间被分割成网格单元，每个单元由一个概率函数表示。

类似的想法可以用来构建和更新强度图。代替概率函数，我们使用强度观测I(ηi|z1:t)来表示每个网格单元mi[26]。

更具体地说，对于t时刻网格单元的每一次观测，表面反射率可通过以下方式更新:

其中M(mi|z1:t)为当前强度观测，nmi为单元格mi上的观测总次数。需要注意的是，如果网格中没有物体，由于没有信号反射，强度标记为0。

D.扫描到地图匹配

激光里程计的任务是估计当前帧到全局地图之间的变换矩阵T∈SE(3)。通过最小化几何误差和强度误差来计算最优位姿估计

1）几何残差：

与LOAM[7]类似，几何误差是通过将当前边缘和平面特征与全局地图匹配来计算的。它可以通过最小化点到边缘和点到平面的残差来实现。

给定边缘特征pi∈PE和转换后的点pi = Tpi，我们可以从全局地图中搜索到两个最近的点pe1和pe2。

点到边残差定义为:

类似地，给定一个平面特征点pi∈PS和转换后的点pi，我们可以从全局地图中搜索三个最近的点ps1、ps2和ps3。点到平面的残差定义为:

2）强度残差

通过将特征与强度地图进行匹配来计算强度残差。它可以通过最小化当前点pi(包括边缘特征和平面特征)与强度图中转换点pi之间的强度残差来实现:

其中M(pi)为强度图M中的点强度值。为了在强度图中搜索强度信息，我们引入了三线性插值。虽然用最近的网格单元表示强度更为直接，但强度信息的准确性较低，特别是对于网格分辨率较低的大比例尺地图。对于每个转换点p i = [xi, yi, zi] T，我们可以找到周围的8个网格单元格。如图3所示，这些网格单元的强度测量记录为M1(p i)，M2(p i)，···，M8(p i)。设单元格1的中心位置(离原点最近)为p1 = [x1, y1, z1] T，单元格8的中心位置(离原点最远)为p2 = [x2, y2, z2] T，其中，x2−x1、y2−y1、z2−z1分别为每个网格单元格的宽度、高度和深度。目标点的强度估计计算为:

类似地，我们可以推导出M34, M56和M78。强度值估计为

3)姿态估计:通过最小化几何残差和强度残差来估计最终姿态:

可以用Levenberg-Marquardt算法[31]求解。

注意，初始姿态对齐是通过假设角速度和线速度恒定来估计的，与假设相同的变换矩阵相比，这可以提高收敛速度。

E. 回环检测和全局优化

环路闭合检测的目标是从历史数据中识别再现场景。对于单前端SLAM系统，测量噪声产生漂移是不可避免的。为了减少定位漂移，后端SLAM通过识别相同的位置来检测循环。由于回环检测的计算成本较高，因此我们使用关键帧选择来减少检索时间。

关键帧的选择基于以下标准:

(1)机器人的位移显著，即大于预定义的阈值;

(2)旋转角度变化显著;

(3)所经过的时间超过一定时期。对于大规模环境，阈值设置得更高，以减少计算成本。所有关键帧都存储在后端维护的姿态图中。

对于每个关键帧，我们使用强度扫描相关内容(ISC)[9]将当前帧提取为全局描述符。

与仅使用几何描述符(如GLAROT3D[32]、NBLD[33]和Scan Context[34])相比，ISC在识别循环闭包时对旋转变化具有较强的健壮性。

ISC是将极坐标在方位和径向上等分为n个扇区和Nr个环的二维矩阵。每个子空间由区域内点的最大强度表示。给定一个关键帧，我们可以从强度和几何信息中提取ISC描述符Ω。

为了比较查询ISC描述符Ωq和候选ISC描述符Ω c，设viq和vic是Ωq和Ωc的第i列。

相似度分数φ (Ωq， Ω c)通过取每个扇区的平均余弦距离来找到:

闭合回环可以通过在φ (Ωq， Ω c)上设置阈值来确定。

环路闭合检测能够有效地识别回环对。但是，错误检测会导致位姿图优化失败。为了防止误报，采用几何一致性验证来检验候选帧的相似性。对于候选循环帧，我们从全局地图中搜索附近的线和面信息。

对于当前帧，通过最小化点到边缘和点到平面的距离，提取边缘和平面特征，并将其匹配到相应的全局直线和平面上。

当两帧不相关时，距离的总和通常很高。因此，可以通过设置阈值来过滤掉假阳性。识别出重访位置后，我们可以将两帧之间的边缘添加到姿态图中，并应用全局优化来纠正漂移[35]。