论文笔记—LiPMatch: LiDAR Point Cloud Plane Based Loop-Closure

论文笔记—LiPMatch: LiDAR Point Cloud Plane Based Loop-Closure

文章摘要

     ~~~~          ~~~    摘要—本文提出了一种基于点云的闭环方法，用于校正基于光检测和测距的同时定位和建图系统中的长期漂移。在该方法中，我们将每个关键帧公式化为一个完全连接的图形，其中的节点表示平面。为了检测回路闭合，提出的方法采用几何限制来定义相似度，以匹配当前关键帧和地图中的关键帧。经过相似性评估后，符合几何约束的候选关键帧将通过平面的法向约束进一步逐一检出，并通过改进的迭代最近点方法进行验证。后者还提供了当前关键帧和全局参考帧中匹配的关键帧之间的相对姿势变换估计。实验结果表明，该方法能够实现快速，可靠的闭环。

导语

     ~~~~          ~~~    闭环是实现精确的同时定位和映射（SLAM）解决方案的关键挑战之一。 由于在没有全局定位信息的情况下进行状态估计时不可避免地会发生漂移[1] – [3]，因此可靠的闭环对于许多机器人平台都至关重要。近年来，基于光检测和测距（LiDAR）的SLAM [4] – [7] LiDAR传感器能够以相当高的分辨率稳定地捕获几何特征，因此在光照和视点变化时不会像计算机视觉那样遭受太大的损失。然而，基于LiDAR的闭环仍然存在挑战 范例，因为LiDAR点云仅包含三维（3D）空间的几何信息，这由于缺少纹理和颜色而使回路闭合检测变得困难。
　　为了缓解基于LiDAR的闭环中存在的挑战，我们针对基于多通道LiDAR的SLAM开发了一种快速，可靠和完整的闭环，包括快速闭环检测和闭环校正，在其中利用平面及其几何关系。具体来说，我们提出了一种基于平面的关键帧的全连接图表示形式。因此，将闭环检测视为一个图匹配问题：将代表当前关键帧的图与已经集成到全局地图中的那些关键帧进行比较。为了解决这个问题，我们利用平面的几何特征及其相对几何关系。为了提高鲁棒性，我们引入了平面的法线约束。为了执行闭环校正，提出了一种改进的迭代最近点（ICP），它集成了平面约束。ICP的输出也可以有益于图形匹配结果的验证。我们提出的闭环方法的主要优点是：1）快速，可靠。 2）能够提供准确的闭环校正。
　　总而言之，我们的贡献包括四个方面：
　　1）针对多通道基于LiDAR的SLAM，我们开发了一种快速，可靠的基于LiDAR的闭环检测方法，其中有效地评估了两个关键帧的相似性；
　　2）在闭环校正过程中，应用匹配平面之间的几何约束条件来改进ICP方法；
　　3）我们将闭环检测和闭环校正方法整合到LOAM中，建立了一个完整且实用的基于LiDAR的SLAM系统；
　　4）通过使我们的系统在GitHub上开源，我们为基于LiDAR的闭环提供了一种负担得起的解决方案。

相关工作

     ~~~~          ~~~    从3D数据检测环路闭合在SLAM中仍然是一个未解决的问题。 已经用不同的方法解决了这个问题，我们已经确定了三个主要趋势。
　　Bosse和Zlot [8]直接从点云中提取关键点，并使用3D格式塔描述符对其进行描述。 然后，关键点在投票矩阵中投票给它们最近的邻居，投票矩阵最终被阈值以检测环路闭合。
　　还提出了使用局部点云的全局描述符进行闭环的方法[9]，该方法将云分裂成重叠的ping网格并计算每个单元的形状属性，并将它们组合成表面形状直方图的矩阵。 与其他作品相似，将这些描述符进行比较以识别位置。
　　尽管局部关键点功能通常缺乏描述能力，但全局描述符仍然难以克服不变性。 因此，将3D对象用于闭环任务。近年来，基于段的闭环检测有一些类似的，开创性的工作[10] – [13]。 例如，Seg-Match [10]通过匹配建筑物，树木和车辆等语义特征来实现闭环。在[14]中，使用LocNets针对LiDAR点云提出了一种半手工学习方法，该方法考虑了闭环 检测问题作为相似性建模问题。
　　上面提到的所有方法都通过提取和匹配通常很费时的描述符来检测闭环。还提出了其他工作，即在闭环任务中使用对象之间的几何限制，以减轻计算负担。 例如，[15]提议通过在3D环境中检测平面来执行闭环检测。 平面累积在图形中，并使用解释树来匹配子图形。 在匹配的子图中对平面进行最终的几何一致性测试。 他们的方法适用于使用RGB-D相机的小型和室内环境。 我们的方法受到[15]中范式的启发，该范式经过修改以适合室外场景和多通道LiDAR。
　　在检测到闭环之后，使用点云配准方法来纠正闭环。 ICP [16]是应对点云配准的一种经典方法。近年来，ICP已开发出许多变体，例如点对平面，点对线和平面对平面[17] – [19]。 ]。作为一种迭代方法，ICP容易陷入初始化极差的局部最小值中。 一般解决方案，例如[20]，将按照以下步骤进行。 首先，从点云中提取特征点。 其次，应用特征匹配来确定对应关系，最后，通过计算对应关系之间的转换来实现初始化。

闭环检测

     ~~~~          ~~~    在本节中，我们描述了用于从3D点云进行闭环检测的系统。 所提出的系统如图2所示，主要由两个模块组成：平面提取和参数化，以及图形匹配。 我们提供有关系统每个模块的详细信息，如下所示。

A.平面提取和参数化

     ~~~~          ~~~    受[10]的启发，对于每个进入点云，我们使用LOAM里程计的输出将其转换为全局参考系，并将每个LiDAR点云累积到当前关键帧中。 当车辆移动一定距离时，将创建一个新的关键帧。 对于每个关键帧，使用欧几里德聚类方法将累积的点云划分为一组点簇[21]。 但是，该方法要求移除接地层。 我们已经通过[22]中的方法解决了它。 我们删除那些少于100个点的聚类，然后对剩余的聚类应用平面提取。 我们采用PCL [21]提供的区域增长方法[10]来提取平面。
　　平面由其法线和从平面到全局参考框架原始点的距离表示。这样，位于平面上的3D点$\mathbf{p}$满足方程 　　
　　每个平面$P$由一组几何特征描述：
　　$n$：法线向量，
　　$c$：重心，
　　$d$：到全局参考系的距离，
　　$\lambda 0$，$\lambda 1$和$\lambda 2$：反映点云空间分布的特征值，
　　$I$：定义平面凸包的多边形轮廓点，
　　$a$：平面的区域。
　　本文中，$n$和$d$由PCL提供，$c$是通过平均平面上的点坐标来计算的。