点云PCL免费知识星球，点云论文速读。
文章：DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
作者：Fernando Caballero1 and Luis Merino
编译：点云PCL
代码：https://github.com/robotics-upo/dll
来源：DLL has been accepted for publication in IROS 2021.
欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
摘要
本文介绍了一种基于三维激光雷达的快速直接地图定位技术DLL，并将其应用于航空机器人，DLL基于点云地图的非线性优化实现点云到地图的配准，因此不需要特征，也不需要点之间的对应关系，给定一个初始姿态，该方法通过从里程计中提取预测的姿态来跟踪机器人的位姿，通过使用真实数据集和仿真的基准测试集，本文展示了该方法如何比蒙特卡罗定位方法表现得更好，并实现了与其他基于优化的方法相当的精度，但运行速度快了一个数量级，该方法对里程计误差也具有鲁棒性，该方法已在Robot操作系统（ROS）下实现，并公开了代码https://github.com/robotics-upo/dll。
主要内容
使用点云进行基于地图的机器人定位的过程可以总结为：
•机器人里程计，这里提供了一个很好的先验信息，表明自上次定位机器人以来，机器人移动了多少，该先验知识可用于在地图中准确猜测机器人的位置/方向，从而节省计算时间惯性测量单元（IMU），
•由于IMU价格便宜且准确，安装在所有智能手机上，在机器人上安装IMU是很常见的，由于罗盘中的磁场干扰，偏航角会发生显著畸变，而横滚角和俯仰角是可观察到的且准确的，该信息可用于对激光雷达点云进行倾斜补偿，从而简化配准过程。DLL提出了一种新的快速准确的点云配准方法，使惯导可以作为实际机器人安装中的主要定位系统，DLL已经在C++中实现并集成到ROS框架中，使用Ceres Solver来实现非线性优化过程。
实验对比
总结
提出了一种基于三维激光雷达的直接地图姿态跟踪方法，该方法使用原始点云，避免搜索点的对应关系，通过直接优化点云到地图的距离，使用地图的距离场表示法，对里程计预测的姿势进行细化，结果表明，对于所考虑的场景，该方法如何达到与NDT和ICP等方法类似的精度，但运行速度快一个数量级，可实时执行，此外，在噪声里程计的情况下，基于优化的NDT和DLL方法比蒙特卡罗定位方法表现更好。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
475
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
