【论文阅读】SLOAM

SLOAM是一个针对于森林场景下的语义激光SLAM，其SLAM的部分与上一篇“基于物体的SLAM”的思路很相似，但是考虑到森林场景的特殊性，并没有引入回环检测的部分。

一、符号规定

在这篇论文中，依然采用的是激光雷达很多约定俗成的量，比如scan和beam等，除此之外，论文用L表示树的集合，上标表示树的数量：

对于激光雷达的扫描，每次scan记为一个p，下面的公式表示的就是一个数据集中有k次scan：

二、树木和地面的检测

这里我们调换一下顺序，先记录检测的部分，这里对应原文的第四章。

首先为了标注数据集方便，作者团队开发了一套vr数据标注工具。

其次是语义标签的获取的部分，既然是基于语义的SLAM，那么按照前面那篇论文的观点，语义信息的获取主要是两种方式，这里用的是比较普遍的神经网络方法，论文将2D的深度图作为网络的输入，这个2D的深度图是通过点云投影而成的，网络部分使用简易版的ERFNET进行语义分割，得到的结果原文说是一个2D的mask，其实也可以看作一个2D的语义图，利用这个mask反向投影回3D的点云空间，就可以得到点云的语义信息标签。

在地面点检测的部分，论文并没有使用神经网络的方法，而是用了启发式的方法。具体来说首先将已经通过神经网络打上树木标签的点去掉，剩下的点就是地面点和灌木等障碍的点，考虑到一般地面点都在其它点的下面，所以将剩下的点中将点云划分为环形的网格，每个网格中选择高度最低的点，这些点就被作为地面点，网格的大小是超参数，需要人为设置。通过这种方法，点变少了但是也变准确了。

得到了树木点，由于SLAM的部分使用的是类似“基于物体”的思想，所以需要将点聚集为一个个体，或者说将同一棵树的点凑到一起。个人感觉论文在这里使用的方法十分巧妙。论文使用了一个trellis graph的方法，直译是格子图，但是个人感觉叫层次图会更加准确一些。
考虑到树木的结构，树木在一张图中出现，一定是在下面某个位置出现，然后从上面某个位置消失，不可能出现中断，因此论文将激光雷达的一线（beam）在一次scan中扫描的结果放在一起，可以看作是同一个高度上的一层，对这一层的点进行聚类，得到的结果当作是这一层的点，用这种方法，将每一层都聚一下。利用前面提到的树的结构，那么两层之间的点如果是一棵树上的，那么位置上的偏差应该不会太大，所以只要不超过阈值就连接上一条边，利用这种方法，我们可以得到一个图结构，按照数据结构的概念，这个图结构本身就是个多个连通分支的森林，对每个连通分支，贪心地选择最短路径作为树干本体。这里的点只是聚类之后的中心点，是一堆点的代表，并不只是一个点，所以根据选择的点，我们可以再恢复为一大堆点，最后凑出来3d点云中的树干。

采用这种方法，还有两个优点，一个是速度快，能够快速给出一个圆柱体的描述，另一个是不会受到树干分叉的影响，可以检测出树的其他部分。

三、语义里程计

这篇论文采用了和LOAM相同的框架，引入语义，实际上其实现和基于物体是差不多思路的，只不过那一篇论文用的物体是静态的车辆、建筑物和柱子，这篇论文里用的是树木和地面而已。

SLOAM依赖于模型中的物体，也可以称为地标，在森林的环境中，可靠的地标是树木和地面。论文将树木和地面以及其投影做了如下的规定：

现在求轨迹的问题就变成了求每一帧之间的位姿变换T，将T整合在一起就变成了整个过程的轨迹变化。

对于一个平面，使用法向量和偏移去表示，也就是一般的平面方程：

那么基于此，点到平面的距离可以写为：

地面特征相当于提供了z轴上的限制，而树木提供的则是xy方向的限制，对于一个树木个体，其需要一个五参数的向量来表示树木所代表的圆柱体：

基于此，点到圆柱体的距离可以表示为：

但是这种距离计算方法在曲率下降的时候会出现问题，所以论文还给出了一种当曲率变小的时候的距离计算方法：

那么现在对于新来的一帧，经过了前面提到的提取，一棵树的点已经可以凑到一起，那么就可以用最小二乘法，得到一个圆柱体的最优表示：

而对于地面的表示方法，受限于森林的环境，大量的地面信息会受到遮挡的影响，所以一些传统的方法会失效。这篇论文提出的方法是将所有标记为地面的点排成一个3×m的矩阵，对矩阵进行奇异值分解，解出来的矩阵的左奇异向量就是地面的法向量，再结合形心就可以写出地面的表达式。

后面就类似于计算一个重投影误差，将上一帧的信息投影到当前帧，然后计算一个累积误差和：

但是这个过程缺少一个匹配的过程，也就是说我们还没有建立当前帧和上一帧点云之间的对应关系，论文提供了两种方法。对于上一帧的一个特征点，根据位姿变换投影到当前帧，对于当前帧的每个特征点，找一个与其最近的投影点，投影点的标签和个体信息，就是特征点的个体信息。另一种方法同样需要投影，区别在于这种方法直接找与之最近的物体。对于这两种方法，显然后者需要存储的开销更少，但是前者更加准确，因此论文选择第一种方法。此外这部分的论文公式有些混乱，而且表述上总感觉哪里不太对，既然要找最近的物体，那么应该就不需要投影点了，然而论文写的是两种方法都要用投影点，这一部分有些奇怪。

至此，就可以写出语义雷达里程计的伪代码了：

总的来说，SLOAM也采用“基于物体”的思想，提出了在森林环境下的语义激光SLAM，语义标签获取的部分，该论文将2D深度图（range image）作为网络输入，利用简化版的ERFNET进行语义分割，得到一个带有标签信息的2D的mask，并反向投影到3D点云上，从而实现语义标签的获取。之后采用启发式方法对滤除标签为树木的点云提取地面点，并对树干个体进行提取，树干个体的提取使用格子图，其思路十分巧妙。之后使用基于语义信息的里程计，这部分使用的思路与“LiDAR-Based Object-Level SLAM for Autonomous Vehicles”很相似，关于语义的用法也是提取为完整物体再进行后续的SLAM过程，只将树干抽象成的圆柱体以及地面点作为特征信息，通过最小化重投影距离，寻找一个最优的帧间位姿变换。