【论文笔记】LiDAR-Based Initial Global Localization Using Two-Dimensional (2D) Submap Projection Image (SP

【论文笔记】LiDAR-Based Initial Global Localization Using Two-Dimensional (2D) Submap Projection Image (SPI)

    ~~~          ~~~~     在 SLAM 中的导航初始化（或重新初始化）和闭环方面，初始全局定位对移动机器人很重要。 3D LiDARs 通常用于移动机器人，但由于 LiDAR 范围数据中缺乏显着特征，基于 LiDAR 的初始全局定位（尤其是在室外环境中的大规模定位）仍然具有挑战性。受面向视觉 SLAM 的初始全局定位方法的启发，我们提出了一种使用 2D 子图投影图像 (SPI) 的基于 LiDAR 的初始全局定位方法。为此，从 SPI 中提取全局描述符以进行位置识别；姿态估计是通过查询的 SPI 和来自全球地图数据库的 SPI 之间的特征点匹配来实现的。提出的初始全局定位模块以 2.4 Hz 的频率运行，精度为 1.2 m，平移精度为 1.2°，旋转精度为 1.2°，可通过现有成熟的点云配准方法作为后续姿态估计细化的合适初始估计。

受面向视觉 SLAM 的初始全局定位方法的启发，我们利用将 LiDAR 范围数据视为图像的思想，并提出了一种使用 2D 子图投影图像 (SPI) 的基于 LiDAR 的初始全局定位方法。所提出的方法包括两个阶段：位置识别和姿态估计。首先，SPI 是通过将 LiDAR 点云的扫描投影到水平面上而形成的，每个像素在其相应的垂直 bin 中存储点的最大高度。然后，训练以 SPI 作为输入并输出相关全局描述符的 NetVLAD [4]；提取的全局描述符用于位置识别。其次，一个集成了 SuperPoint [5] 和 SuperGlue [6] 的后续神经网络对查询的 SPI 和从数据库中检索到的候选 SPI 执行特征点提取。然后在 RANSAC 精神中，搜索查询的 SPI 和候选 SPI 之间的最佳（或半最佳）匹配并计算其相关的姿态估计。

提出的基于 LiDAR 的初始全局定位框架（见图 1）包括：1）全局描述符提取，2）特征点提取，3）特征点匹配，4）姿态估计。建库只涉及全局描述符提取和特征点提取。对于全局定位，将查询子图点云转换为用于地点识别的全局描述符，然后从数据库中检索候选子图。提取查询子图投影图像（SPI）的特征点并与候选特征点匹配以确定查询子图位姿。采用 RANSAC 机制过滤掉错误的特征匹配对以进行精细的姿态估计。