【论文笔记】Fast LIDAR Localization using Multiresolution Gaussian Mixture Maps

【论文笔记】Fast LIDAR Localization using Multiresolution Gaussian Mixture Maps

    ~~~         ~~~    本文提出了一种用于自动驾驶汽车城市环境中车辆定位的快速多分辨率扫描匹配器。最先进的车辆定位方法依赖于使用 (LIDAR) 扫描仪观察路面反射率，以实现厘米级精度。然而，当面临使道路油漆（例如水坑和雪堆）的视线变得模糊的不利天气条件或路面纹理不佳时，这些方法通常会失败。因此本文提出了一种新的扫描匹配算法，它利用高斯混合图来利用环境中的结构；这些地图是 z 高度分布上的高斯混合的集合。我们通过开发一种新颖的分支定界、多分辨率方法来实现实时性能，该方法利用这些高斯混合的光栅化查找表。结果显示在两个 3.0 公里的数据集上：标准轨迹和恶劣天气条件下的另一个。

高斯混合图

    ~~~         ~~~    本文建议利用高斯混合图，这是一种 2D 网格结构，其中每个网格单元都维护一个高斯混合模型，表征该单元中 z 高度（即垂直结构）上的分布。 此外，我们通过高斯混合总和的光栅化提出了一个新的上限，使我们能够将扫描匹配问题表述为分支定界搜索。 有关这些地图的示例参见图 1。 本文的主要贡献是：
　　1.将大点云的数据简化为高斯的紧凑混合。
　　2.这些参数化地图的在线光栅化可实现快速推理。
　　3.分支定界配准公式，允许使用通用上限光栅化进行实时、有保证的最佳配准。

地图构建

    ~~~         ~~~    本文集成了里程计、GPS 和扫描匹配约束，将离线构建这些地图作为一个完整的 SLAM 问题，以此来构建自洽的位姿图。不再应用人工高度先验，在全 3D 中构建图形可以构建更准确的表示。
　　使用优化后的姿态图，然后我们重新投影所有 3D LIDAR 扫描点以创建点云。然后在固定的网格分辨率下（我们使用 20 厘米整个），查看 z 点的每个“列”。为了捕获 LIDAR 扫描仪的方差并减少离散化错误，本文使用高斯内核用相邻的“列”模糊这些 z 点。然后使用 EM 将加权高斯混合模型拟合到这些点。在本文提供的数据集上，整个离线地图构建过程可以在大约 1 小时内完成。对于每个单元格，为不同数量的高斯重新运行 EM，选择生成的具有最大可能性的高斯混合而不会过度拟合，生成的高斯混合网格构成了我们的高斯混合图 G。
　　我们的高斯混合图中的推理很容易完成。 使用我们的高斯混合图 G 和在线点云扫描 C，我们可以概率性地评估给定变换 T 的可能性，从而使两者对齐。 我们通过将变换应用于点云中的每个点来评估这种可能性，C’= TC。 然后，对于这个变换后的云中的每个点，pi = (xi, yi, zi)，我们索引我们的高斯混合图以获得该单元格的高斯混合，gi ← G(xi,yi)。 从那里，我们将每个点视为一个独立的高斯观测，允许我们通过对每个点的对数似然求和来计算总对数似然
　　
其中 wij、μij 和 σij 分别是 gi 的第 j 个分量的权重、均值和标准差。
　　1.配准方式
　　给定一个点云，我们寻求找到最大化方程 1 的最佳变换。
我们观察到，一个典型的轮式机器人平台在侧倾、俯仰和高度方面将受到相当好的限制：因为 (i) 由于观察到重力，大多数 IMU 将侧倾和俯仰限制在几度之内（注意轮式机器人平台）平台仅通过轻微的侧倾/俯仰）和 (ii) 任何轮式车辆必须停在地面上，这会限制高度与事先地图。
　　因此，我们可以通过在 x、y 和航向变换的范围内进行详尽搜索来根据此调整我们的搜索策略。与 [22] 一样，我们可以通过首先将航向旋转应用于所有点，然后评估 xy 平移来有效地计算这些。
　　随着我们的解决方案在最优值附近，然后我们执行一个简单的、受约束的 6 自由度爬山来锁定我们搜索空间上的全局最优值：(x, y, z; r, p, h)*。这允许对高度、滚动和俯仰进行微小但必要的改进。
　　因为我们的注册问题是由搜索边界参数化的，所以我们能够使用姿势先验来提高运行时性能。可以在算法 1 和算法 2 中找到注册到我们的高斯混合图中的详细概述。　

多分辨率分支定界

    ~~~          ~~~~     用高效的多分辨率分支定界搜索替换了极其昂贵的穷举搜索。

1.多分辨率方式

    ~~~          ~~~~     我们的多分辨率搜索背后的想法是使用一个边界函数，该函数可以提供我们参考地图中一组单元格的上限。 这意味着大部分搜索可以在较粗的分辨率下执行，这可以在更精细的尺度上对可能性进行上限。 使用紧边界可以将上一节中介绍的穷举搜索转换为不进行贪婪假设的易于处理的搜索。 分支定界策略的结果与穷举搜索完全相同