SuMa论文阅读

摘要和引言

摘要

方法

提出了一种新的、稠密的激光建图方法，在由旋转激光传感器获得的3d点云上进行操作。

结果

• 构建了基于surfel的地图（基于surfel的地图第一次被用在激光SLAM中）
• 估计机器人位姿变换情况（通过利用在当前扫描和该surfel地图的渲染模型视图之间的投影数据关系）
• 对于回环的检测和确认，在潜在的回环之前在地图上组成了一个虚拟的视图（利用地图表示）（即使是扫描与已建图区域重叠很小的情况下，也有了较为鲁棒的检测）
• 可进行实时配准，检测回环并以在线的方式进行地图更新

结论

实验表明，只基于点云就可以建立大尺度下（户外）的全局一致性地图。

引言

较室内环境的挑战

• 传感器移动较快，导致扫描间位移较大
• 相对稀疏的点云
• 大尺度环境

提出SuMa

• 建立了全局一致性的地图（通过追踪位姿、所谓的里程计、使用位姿图的回环）
• 使用surfel地图高效地生成投影数据关联和额外的回环检测（随后验证回环）的合成视图
• 用surfel可以高效地表示大场景
• 可在回环检测上更新地图（利用整合里程计和回环限制条件的图优化）

关键工作

• 提出了一种SLAM系统，该系统可以用三维激光测距数据进行高效建图，从而获得全局一致的地图
• 提出了一种新的基于地图的回环检测标准，即使在扫描之间重叠很小的情况下也能够检测到回环

特点

首个基于3D激光的建图方法（使用surfel进行带回环的建图），产生全局一致的地图

结果和讨论

结果

• 提出了一种基于激光的里程计和建图的稠密方法，该方法可以在线执行所有的计算并生成全局一致的地图
• 利用一种基于surfel的地图表示法，在每次迭代时将当前扫描与surfel地图的投影数据关联
• 实验评估表明，这将产生准确的配准结果以及与最新技术相当的全局一致地图

下一步

• 融合色彩信息，以改进在投影数据关联时的对应项的选择
• 融合全局回环搜索，若里程计估计值漂移很大，也可以找到回环
• 对动态对象的检测和跟踪（例如Moosmann和Stiller的方法）有可能提高配准结果的鲁棒性和质量，因为它可以可靠地删除动态对象

方法和实验

方法

七步

六部分

A.Preprocessing

数据预处理。
输入是三维点云数据，输出是$V_D((u,v))$,$N_D((u,v))$两个映射关系。
投影，将三维映射为二维：

$V_D((u,v))$将二维坐标$(u,v)$映射为三维点。
$N_D((u,v))$将二维坐标$(u,v)$映射为三维法向量。

B.Map Representation

地图表示。
surfel组成

• 一个三维位置向量$v_s$
• 一个三维法向量$n_s$
• 一个常数半径$r_s$
• 两个时间戳(创建时的时间戳$t_c$,上次更新的时间戳$t_u$)

地图$M$组成

• 许多surfel组成的无序集合，分为
• $M_{active}$–由最近更新的surfel组成（用于里程计估计位姿）
• $M_{inactive}$–由非最近创建的surfel组成（进行回环搜索）

⚠️surfel与位姿通过$t_c$联系起来，$v_s$和$n_s$是局部坐标系$C_{t_c}$中的，对于相应位姿$T_{W{C}_{t_c}}$的简单改动即可实现对surfel地图的改动。

C.Odometry Estimation

里程计估计两帧间(当前时刻$t$到上一时刻$t-1$)的相对位姿
用所谓的frame-to-model ICP进行位姿估计。
所谓的model概念及位姿关系

即

• data–于时刻$t$在坐标系$C_t$中的观测数据
• model–在给定坐标系$C_k$处的地图对应的渲染

ICP

• 误差项$E_{odom}$

  

• 初始值为$T_{(t-2)(t-1)}$(t-1时刻到t-2时刻的位姿)

• 迭代方法–高斯牛顿

• 核函数–huber核

D.Map Update

地图更新。
data surfel和model surfel。
data surfel

• 通过A.Preprocessing可由点算得data surfel $s(包含v_s,n_s,r_s)$ 中的$v_s,n_s$
• $r_s$的计算如下

过程

1. 通过A.Preprocessing中的投影将三维点$p$映射为二维坐标$(u,v)$到$I_M$中找到对应的model surfel $s^{\prime }(包含v_s^{\prime },n_s^{\prime },r_s^{\prime })$
2. 若
   
   则data surfel $s$与model surfel $s^{\prime }$兼容，
   否则data surfel $s$与model surfel $s^{\prime }$不兼容。
3. 地图更新之后，移除所有稳定值过低同时太旧的surfel

⚠️$I_M$是索引映射，包含相对于传感器原点和最终位姿$T_{W{C}_t}$最近的surfels的索引。
data surfel $s$与model surfel $s^{\prime }$兼容

• 提升model surfel $s^{\prime }$的稳定性
• 若测量值更准确，即$r_s$ < $r_s^{\prime }$,则用测量值更新model surfel $s^{\prime }$

data surfel $s$与model surfel $s^{\prime }$不兼容

• 降低model surfel $s^{\prime }$的稳定性和初始化一个新surfel
• 若测量值无法分配给任意已存在的surfel，则初始化一个新surfel

E.Loop Closures

回环检测（过程类似于里程计，主要是点云配准）。

Detection

1. 在不活跃的地图$M_{inactive}$里找
   

2. 对于j*，用frame-to-model ICP将对应位姿$T_{W{C}_j\ast }$处的渲染视图与当前点云对齐
   

虚拟视图

为了解决扫描间重叠率低的情况，我们使用里程计估计和上述候选方法的转换，在潜在的回环之后绘制了地图的虚拟视图。

• 虚拟视图由$M_{inactive}$中渲染模型视图组成
• 误差项($E_{map}$)
  如果$E_{odom}$的残差和$E_{map}$的残差相对较小，则说明对齐方式是一致的;
  当$E_{map}$的残差最小时，可以区分有效和无效的候选回环。

⚠️对于重叠率低的情况，不能只简单地评估当前测量值相对于渲染的不活跃的地图$M_{inactive}$的残差

Verification

即使我们尝试通过渲染虚拟地图来排除无效的回环，该标准仍可能导致无效的回环，因此我们需要验证回环（通过追踪active map和inactive map中的位置）。

如何验证回环？

怎样才算验证通过？

Pose graph optimization

• 当回环验证通过后，就把回环约束加入位姿图中
• 在独立线程中进行实际位姿图优化
• 位姿图优化完成后，将优化的位姿整合到地图中，并相应地更新当前位姿估计

F.Implementation Details

使用OpenGL 4.0实现。
位姿图优化迭代方法用的LM。

实验

如有错误，烦请斧正，不胜感激！