语义图引导的粗-细-精回环检测算法

更多优质内容，请关注公众号：智驾机器人技术前线

1.论文信息

• 标题：SGLC: Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM

• 作者：Neng Wang, Xieyuanli Chen, Chenghao Shi, Zhiqiang Zheng, Hongshan Yu, Huimin Lu

• 文章链接：https://arxiv.org/abs/2407.08106

• 来源：IEEE ROBOTICS AND AUTOMATION LETTERS

• 项目地址：https://github.com/nubot-nudt/SGLC

2.摘要

回环检测是SLAM系统中的关键组成部分，它通过两个主要步骤帮助消除累积误差：回环检测和回环位姿校正。第一步确定是否执行回环，而第二步估计6自由度位姿以校正里程计漂移。当前的方法大多集中在开发用于回环检测的鲁棒描述符，往往忽略了回环位姿估计。一些包括位姿估计的方法要么精度低，要么计算成本高。为了解决这个问题，我们引入了SGLC，一种实时的语义图引导的回环检测方法，具有鲁棒的回环检测功能和6自由度位姿估计能力。SGLC考虑了前景点和背景点的不同特征。对于前景实例，它构建了一个语义图，该图不仅抽象了点云表示以快速生成描述符和匹配，还指导了随后的回环验证和初始位姿估计。与此同时，背景点被利用来提供更多的几何特征，用于扫描级描述符构建和进一步位姿细化的稳定平面信息。回环位姿估计采用了粗-细-精的配准方案，考虑了实例点和背景点的对齐，提供了高效率和精度。我们通过在KITTI和KITTI360数据集上进行广泛的实验来评估SGLC的回环检测性能，证明了它比现有最先进方法的优越性。此外，将SGLC集成到一个SLAM系统中，消除了累积误差并提高了整体SLAM性能。

3.主要贡献

本文的主要贡献可以概括为以下三点：

1. 语义图引导的回环环检测与位姿估计框架（SGLC）：

   • 创新性地提出了SGLC框架，该框架结合了语义图的拓扑属性和背景点云的几何特征，用于提高回环检测的鲁棒性和准确性。

   • 利用前景实例构建的语义图，不仅为快速描述符生成和匹配提供了基础，还指导了回环验证和初始位姿估计的后续步骤。

2. 粗-细-精的位姿估计策略：

   • 引入了一种新颖的位姿估计方法，该方法首先通过稀疏匹配的节点中心进行粗略对齐，然后通过密集实例点的细粒度配准进行位姿的精细调整。

   • 进一步利用背景点的平面信息，通过点到平面的约束来细化最终的位姿估计，这种多阶段的策略确保了位姿估计的高效率和高精度。

3. 实验验证与SLAM系统整合：

   • 在KITTI和KITTI360数据集上进行了广泛的实验评估，证明了SGLC在多个序列上超越了现有的最先进方法，特别是在反向回环和长距离回环检测方面展现了优越的性能。

   • 将SGLC成功集成到A-LOAM里程计系统中，通过iSAM2框架进行全局一致性优化，显著减少了累积的里程计误差，提升了SLAM系统的总体性能。

   • 通过消融研究，验证了SGLC中各个组件的有效性，并从运行时间的角度展示了每个组件的高执行效率，证明了SGLC支持实时在线操作并方便集成到SLAM系统中。

4.核心思想与方法

SGLC框架首先为前景实例构建语义图，然后生成考虑语义图的拓扑属性和背景的外观特征的激光雷达扫描描述符。利用激光雷达扫描描述符从数据库中检索循环候选扫描。接着，对每个循环候选进行几何验证，以过滤掉错误的回环闭合，关键步骤是使用实例节点描述符进行鲁棒的稀疏节点匹配。最后，采用粗-细-精的配准方案来估计精确的6自由度姿态。

image

5.实验验证

image

image

image

image

image

6.总结

这篇论文提出了一种基于语义图引导的激光雷达回环检测方法。它首先构建前景实例的语义图，这为描述符生成提供了基础，并指导后续的几何验证和位姿估计步骤。设计的激光雷达扫描描述符利用了语义图的拓扑属性和背景点云的外观特征，从而增强了其在回环检测中的鲁棒性。在回环位姿估计方面，我们提出了一种粗-细-精的配准方案，考虑了实例点和背景点的对齐，提供了高效率和准确性。所提出的方法支持实时在线操作，并方便集成到SLAM系统中，特别是语义SLAM。在不同数据集上的实验结果证明了其优越性。

本文仅做学术分享，如有侵权，请联系删文！

 更多优质内容，请关注公众号：智驾机器人技术前线