Intensity-SLAM: Intensity Assisted Localization and Mapping for Large Scale Environment

最新推荐文章于 2023-04-03 15:22:42 发布

weixin_44724806

最新推荐文章于 2023-04-03 15:22:42 发布

阅读量546

点赞数 1

文章标签： idea

本文链接：https://blog.csdn.net/weixin_44724806/article/details/126865875

版权

IEEE ROBOTICS AND AUTOMATION LETTERS-2021 开源

零碎知识点

1.同时利用lidar的几何和强度信息进行slam，强度信息贯穿在前端里程计部分和后端优化部分。

2.强度信息对于鲁棒的回环检测非常有用；

3.文章首先分析了强度测量的物理模型，然后在里程计部分将强度代价引入了几何代价中，最后将基于强度的回环检测和后端优化结合起来一块优化。

4.建立强度图展示强度分布；

5.ICP方法对噪声很敏感，在自动驾驶中的噪声（路旁的树木的测量值）会很明显，进而导致定位漂移；

6.在DeepICP中，基于端到端学习的3D点云配准寻找机器人的位姿，强度通道和几何通道被引入深度特征提取（DFE）层以找到关键点。不是搜索最近的点，而是使用对应点生成 (CPG) 层根据一组候选者之间的学习匹配概率生成关键点对应关系，这使得反向传播成为可能。

7.“Intensity-assisted ICP for fast registration of 2D-LIDAR”提出用于2D-LIDAR快速配准的强度辅助的ICP，引入目标函数，根据空间距离和强度残差确定初始刚体变换估计，使得算法可以在单核CPU上实时运行。

8.“Towards intensity-augmented slam with LiDAR and ToF sensors”将强度模型纳入稀疏束调整（SBA）估计问题，分析了强度测量的物理模型，提出了一种增强3D定位、强度和表面法线的新测量模型。在较少的地标点下实现了相同的精度。

本文方法

1.强度校准

激光雷达发射激光束后可以测量到耗费时间以及反射信号的能量，所以可以利用强度信息。

强度值由接收到的激光束能量与发射的激光束能量之间的比率确定，接收功率 $P_r$ 的物理原理可以确定为：

强度测量值为：

物体表面反射率仅与入射角 $\alpha$ 和测量距离 $R$ 有关：

对于激光雷达扫描帧，距离可以容易得测量到，入射角 $\alpha$ 可以通过分析局部法向量进行估计。对于

一个点 $p\in R^3$ ,搜索两个近邻点 $p_1$ 和 $p_2$ ，局部表面法向量表达为：

入射角为：

因此，可以通过原始点云的几何读数 $P$ 和强度读数 $I$ 推导出校正强度 $\tilde{I}$ 。（如何推导？）在一些传感器中，默认情况下通过距离测量对强度进行校准，因此仅将校准应用于入射角。此外，低强度值通常导致较低的信噪比，这也会降低距离精度。（这段话都不咋理解）

2.显著点选择和特征提取

校正的强度信息包含环境的反射率，反映了不同物体的分布。因此，强度信息也有助于识别跨多个帧的相同特征。对于每个点 $p_i\in P$ 以及他的强度值 $\tilde{\eta _i}\in \tilde{I}$ ，寻找邻近点 $N_i \in P$ 并计算局部距离分布 ${\sigma_i}^G$ 和局部强度分布 ${\sigma_i}^I$ :

根据加权总和选择特征（包含了几何和强度信息）：

边缘点 $P_\varepsilon \in P$ 从较大的 $\sigma$ 点中选择，平面点 $P_S \in P$ 从较小的 $\sigma$ 点中选择。

3.强度图构建

强度地图 $M$ 包含周围环境的反射率分布。使用强度观测 $I(\eta _i |z_{1:t})$ 表示每个网格单元 $m_i$ .对于时间 $t$

时网格单元的每个观测，表面射射率可以通过下面更新：

如果网格没有包含物体，则强度标记为0，因为没有反射信号。

4.帧到地图的匹配

1）几何残差

与LOAM相同，将点-线、点-面残差最小化

点线残差

点面残差

2）强度残差

通过引入三线性插值在强度地图中搜索强度信息，对于转换后的点，可以找到周围的8个网格单

元，如下图所示，这些网格单元的强度测量值被标记为 $M_1,M_2,...M_8$ .

假定单元1（离原始点最近）的中间位置为 $p_1={[x_1,y_1,z_1]}^T$ ,单元8(离原始点最远)的中间位置为

$p_2={[x_2,y_2,z_2]}^T$ 。目标点的强度估计可以计算如下：

3）位姿估计

5.回环检测&全局优化

我们使用关键帧选择来减少检索时间，关键帧的选择基于以下标准： (1) 机器人的位移是显着的，即大于预先定义的阈值； (2)旋转角度变化显着； (3)经过的时间超过一定期限。对于大规模环境，阈值设置得更高以降低计算成本。所有关键帧都存储在后端维护的姿势图中。

对于关键帧，使用强度扫描上下文（ISC）提取当前帧到全局签名中。ISC在识别回环检测时对旋转具有鲁棒性。ISC 是一个二维矩阵，通过将方位角和径向上的极坐标等分为 Ns 个扇区和 Nr 个环来计算。每个子空间由区域内点的最大强度表示。给定一个关键帧，我们可以从强度和几何信息中提取 ISC 描述符 Ω。为了将查询 ISC 描述符 Ωq 与候选 ISC 描述符 Ωc 进行比较，让 t vq i 和 vci 成为 Ωq 和 Ωc 的第 i 个column。通过取每个扇区的平均余弦距离来找到相似度分数 φ(Ωq, Ωc)：

为了防止回环检测误报，几何一致性验证用于检查候选帧的相似性。对于候选循环帧，我们从全局地图中搜索附近的线和平面信息。对于当前帧，通过最小化点到边和点到平面的距离，提取边缘和平面特征并匹配到相应的全局线和平面。当两帧不相关时，距离之和通常很高。因此，可以通过设置阈值来过滤掉误报。确定重新访问的位置后，我们可以将两帧之间的边缘添加到位姿图中，并且可以应用全局优化来纠正漂移。