论文笔记—Range Image-based LiDAR Localization for Autonomous Vehicles

论文笔记—Range Image-based LiDAR Localization for Autonomous Vehicles

文章摘要

     ~~~~          ~~~    鲁棒且准确的，基于地图的定位对于自主移动系统至关重要。本文利用从3D LiDAR扫描生成的距离（深度）图像来解决在以三角形网格表示的大型室外环境的地图中定位移动机器人或自动驾驶汽车的问题。我们使用泊松曲面重建来生成基于网格的地图表示。基于当前LiDAR扫描生成的距离图像和基于网格地图的合成渲染视图，我们提出了一个新的观测模型并将其集成到Monte Carlo(蒙特卡罗)本地化框架中，该模型可实现更好的定位性能并很好地推广到不同的环境。我们使用不同的LiDAR扫描仪在不同环境中收集的多个数据集上测试了提出的定位方法。实验结果表明，我们的方法可以可靠准确地将移动系统定位在不同的环境中，并以LiDAR传感器帧频在线运行以跟踪车辆姿态。

导语

     ~~~~          ~~~    精确的定位是大多数自主移动系统所需的基本功能。 使用定位系统，移动机器人或自动驾驶汽车能够根据车载传感器获得的观测结果在地图上估算其位姿。 精确驾驶需要精确可靠的基于LiDAR的全球定位，特别是在GPS受限的环境或GPS无法提供准确定位结果的情况下。
　　大多数自主移动系统都带有3D LiDAR传感器，可感知环境并直接提供3D距离测量。在本文中，我们基于此类3D LiDAR传感器解决了车辆定位问题。对于定位，当今大多数定位系统中都使用了概率状态估计技术。特别是，粒子过滤器是一种通用工具，因为它们不需要限制运动或观察模型来遵循特定分布，例如高斯。当使用粒子过滤器时，我们需要设计一个合适的观测模型来代替地图表示。 LiDAR的常用观测模型是光束端点模型，也称为似然场[25]，射线投射模型[8]或基于手工特征的模型[23]，[33]。这些方法要么仅与2D LiDAR扫描仪一起有效地工作，要么需要精心设计的特征才能正常工作。最近，研究人员还专注于此类观测模型的数据驱动学习[12]，[29]，[6]，只要环境靠近用于学习模型的环境，它们就可以提供准确而可靠的结果。
　　代替使用从3D LiDAR传感器获取的原始点云或从点云生成或学习的特征，我们研究了基于3D LiDAR的自动驾驶汽车定位的距离图像。 如图1所示，我们将点云投影到距离图像中，并使用由三角形网格表示的地图中的渲染视图来定位自治系统。 使用距离图像表示和由网格表示的地图有多种原因。 柱面距离图像是来自旋转3D LiDAR的扫描的自然而轻巧的代表，并且网格图比大点云更紧凑。 这些属性使我们能够在大规模环境中实现全局定位。 此外，可以使用计算机图形技术有效地执行来自网格图的距离图像的渲染。 因此，距离图像和网格图非常适合实现基于LiDAR的全局定位。
　　本文的主要贡献是基于3D LiDAR定位的新型观测模型。 我们的模型基于从真实LiDAR扫描和网格图的合成渲染生成的距离图像。 我们使用它们之间的差异为蒙特卡洛定位（MCL）制定观察模型，以更新粒子的重要权重。 基于提出的新颖的观测模型，本文的方法为车辆提供了$(x,y,\theta )$位姿估计，并使用3D LiDAR扫描实现了全局定位。 此外，我们的方法可以很好地推广使用不同类型的LiDAR扫描仪收集的不同环境。 总而言之，我们提出三个主要主张：我们的方法能够（i）使用3D LiDAR数据准确而可靠地实现全局定位，（ii）可用于不同类型的LiDAR传感器，（iii）可以很好地概括不同的环境。 这些主张得到了本文和我们的实验评估的支持。 　

相关工作

     ~~~~          ~~~    对于给定地图的定位，通常会在位姿跟踪和全局定位之间进行区分。 在位姿跟踪中，车辆从已知位姿初始化，并且该位姿随时间更新。 在全局定位中，没有位姿先验可用。 在这项工作中，我们使用3D LiDAR数据解决了全局定位问题，而无需事先假设GPS或其他传感器的位姿。 因此，我们在这里主要集中在基于LiDAR的方法上。
　　在自动驾驶汽车的背景下，提出了许多使用多种传感器模式和高清（HD）地图进行精确位姿跟踪的方法。 Levinson等。 [16]利用GPS，IMU和LiDAR扫描来建立高清地图以进行定位。他们生成红外光谱中地面反射率的2D表面图像，并定义使用这些强度的观察模型。强度值的不确定性已通过建立先验图来处理[31]。 Barsan等。 [12]使用全卷积神经网络（CNN）和高清地图来执行在线地图匹配，以提高对动态对象的鲁棒性并消除对LiDAR强度校准的需要。 Merfels和Stachniss [18]提出了一种有效的链状位姿图，用于利用图优化技术和不同的传感方式进行车辆定位。基于这项工作，威尔伯斯等。 [30]提出了一种基于LiDAR的定位系统，该系统执行激光扫描和HD地图特征之间的本地数据关联，时间数据关联平滑和用于鲁棒性的地图匹配方法的组合。上面的方法在跟踪车辆的位姿方面显示出良好的性能，但是需要GPS信息才能在高清地图上进行操作。相比之下，我们的方法仅使用3D LiDAR数据即可解决全局定位问题，而无需事先假设任何位姿。
　　为了实现全局定位，传统方法依赖于概率状态估计技术[25]。 流行的框架是蒙特卡洛定位[8]，[26]，[10]，它使用粒子滤波器估计机器人的位姿，并广泛用于机器人定位系统[3]，[6]，[15]，[ 24]，[32]。
　　最近，已经提出了几种利用深度神经网络和语义信息进行3D LiDAR定位的方法。例如，Ma等。文献[17]在贝叶斯过滤框架中结合了诸如车道和交通标志之类的语义信息，以在稀疏高清地图中实现准确而强大的定位。严等人。 [32]利用基于LiDAR的语义分割系统[19]的建筑物和交叉路口信息来定位Open Street Map数据。 Schaefer等。 [21]从3D LiDAR扫描中检测并提取极地标，以进行长期的城市车辆定位，而Tinchev等人。 [27]提出了一种基于学习的方法来匹配树木的片段并定位在城市和自然环境中。 Sun等。 [24]使用深度概率模型来加速蒙特卡洛定位的初始化，并在室外环境中实现快速定位。在我们先前的工作[6]，[5]中，我们还利用具有语义的CNN来预测LiDAR扫描之间的重叠以及其偏航角偏移，并使用此信息建立基于学习的蒙特卡洛定位的观察模型。基于学习的方法在训练有素的环境中表现良好，而它们通常不能在不同的环境或不同的LiDAR传感器中很好地推广。
　　总而言之，我们的方法仅使用LiDAR数据即可在户外实现全球定位，而无需使用任何GPS。 而且，我们的方法直接使用距离信息，而无需利用神经网络，语义或提取地标。 因此，它可以很好地推广到不同的环境和不同的LiDAR传感器，并且在移至不同的环境时不需要新的训练数据。

本文的方法

     ~~~~          ~~~    在本文中，我们提出了一种使用3D LiDAR传感器的自动驾驶汽车的概率全球定位系统，请参见图2。 为此，我们将LiDAR点云投影到一个距离图像中（请参阅第III-A节），并将其与在由三角形网格代表的地图中每个粒子位置渲染的合成距离图像进行比较（请参阅第III-B节和第 第III-C节）。 基于距离图像，我们为基于LiDAR的定位提出了一个新的观测模型（请参阅第III-E节），并将其集成到蒙特卡洛定位系统中（请参阅第III-D节）。 此外，我们使用了一个tile map(贴片地图)来加速渲染并确定系统何时收敛（请参阅第III-F节）。 使用基于OpenGL的渲染管道，在收敛后，所提出的系统以LiDAR传感器的帧速率在线运行。

A.距离图像生成

     ~~~~          ~~~    提出的方法的关键思想是使用从LiDAR扫描生成的并从三角形网格图渲染的距离图像进行机器人定位。 为了生成距离图像，我们使用球面投影[2]，[19]，[7]，[5]。 我们将点云P投影到所谓的顶点图${\mathcal{V}}_D：R^2\to R^3$，其中每个像素都包含最近的3D点。 每个点$p_i=(x,y,z)$通过函数$\Pi ：R^3\to R^2$转换为球坐标，最后转换为图像坐标$(u，v)$，即

其中$r=||p|{|}_2$是范围， f = f u p + f d o w n f = f_{up} + f_{down} f=f