Scancontext应用简析

1、写作目的

        最近在做基于地图的重定位工作，在测试scancontext时，遇到一些问题，做一些简要记录

2、应用场景

        遇到的主要问题是车辆重定位方向和建图方向有位置和角度偏差，导致重定位初始化失败，场景示意图如下：

图1 测试场景示意图

        障碍物区域以外的都是空旷场地，蓝色线为车辆初始建图运行方向，红色线为车辆静态初始化时，车头方向（车体坐标系和雷达坐标系全部转为前X-左Y-上Z）。

        其中成功初始化的只有初始化方向1，初始化方向2和初始化方向3均失败。

3、问题分析

 

图2 scancontext构建过程

        首先贴一张scancontext构建过程图，原论文所有工作都是基于这个构建过程展开的。重定位的关键是计算当前点云的scancontext和点云地图的scancontext的相似度，公式如论文所述：

论文原文第六页Fig6下有提到：

Evaluating with the Complex Urban LiDAR dataset, all methods show poorer performance than at the KITTI dataset.

In particular, Urban 02 provides the most challenging case for all methods since this sequence has narrow roads and repeated structures with similar height and rectangle shapes5 compared to KITTI.
The example of scancontext from this challenging Urban 02 is given in Fig. 6.
Despite some level of performance drop is reported in this challenging dataset, the proposed method still outperformed other existing methods.

翻译为：

        使用复杂城市激光雷达数据集进行评估，所有方法使用KITTI数据集测试出的性能要优于其他数据集测试结果。
        特别是，Urban 02为所有方法提供了最具挑战性的案例，因为与KITTI相比，该序列具有狭窄的道路和重复的高度和矩形结构。
        图6给出了这个具有挑战性的Urban 02的scancontext示例。        尽管在这个具有挑战性的数据集中报告了一定程度的性能下降，但所提出的方法仍然优于其他现有方法

图3 论文中的挑战场景生成的scancontext

        如果在图1位置A，车辆方向和建图时保持近似一致，使用scancontext重定位初始化成功率可达100%。

        但是，当车辆当前方向、位置和建图时偏差较大时，例如图1位置B、位置C就会出现失败情况。

        所以，重定位能否成功的关键，在于能否得到一个相似度非常高的位置。

        将建图时的scancontext、位置A的scancontext、位置C的scancontext全部构建如下

图4 建图时构建的scancontext

图5 位置A构建的scancontext

图6 位置C构建的scancontext

        对比图4、图5、图6，可以看出虽然是在同一个场景，但是车头方向不一致，按照顺时针构建的scancontext是不一样的，图4和图5是近似的，所以可以重定位初始化成功

4、解决措施

        图2构建的是一种对称场景，所以车辆朝向影响不明显，对于图4的非对称场景，车辆朝向就会产生影响，因此：

（1）在算法层面，在重定位初始化时可以分别从顺时针和逆时针两个方向同时构建两个scancontext，增强相似度对比计算。此种方法无法完全解决图1位置B的问题，但是可以解决位置C的问题。

（2）在工程层面，选择特定的特征明显场地，进行重定位初始化，提高成功率