ROLL: Long-Term Robust LiDAR-based Localization With Temporary Mapping in Changing Environments

一、简介

在变换场景下（如下图），基于先验地图的全局定位存在噪声、不连续甚至错误的情况。为此，ROLL提出了一种具备临时建图功能的long term鲁棒定位算法。由LiDAR inertial odometry (LIO), global matching, temporary mapping, and pose fusion四部组成。

 二、创新点

1. 在基于pre-built地图的全局匹配不可靠时，首先临时激活一个建图进程。一旦再次获得可靠匹配，临时地图将与pre-built地图合并，供后续定位运行使用。
2. 进一步整合了激光雷达惯性里程计（LIO），以提供运动补偿的激光雷达扫描和全局匹配模块的可靠初始姿态猜测
3. 为了生成平滑的实时轨迹以供导航使用，通过求解姿态图优化问题，将里程计和全局匹配的姿态进行融合。

三、算法流程

系统架构如下：

 1. LiDAR inertial odometry模块：

该模块可以使用任意的LIO方法，在论文中使用的是fast-lio2。输入激光雷达和IMU数据，该模块输出里程计位姿和经过运动补偿后的lidar点云数据。输出的点云数据提供给global matching做特征提取。

2. global matching模块：

基于LOAM框架，Global Map由一系列关键帧组成。当temporary mapping触发时，Global Map将被更新。

考虑到室内室外场景，提出了confined areas和open areas的概念，当近距离lidar点的数量超过一定比例，可认为是封闭区域。封闭区域的voxel filter size相对小一些。

 至于Residual Computation和Transform Update部分，与LOAM类似，优化角点到线及面点到面的残差。

 3. Temporary Mapping模块：

首先进行异常检测Map Anomaly Detection，这里定义了一个matching inlier ratio指标，意思是特征点匹配过程中，匹配距离（点线和点面距离）小于1m的数量占比。当比例小于一定阈值时，系统便进入到临时建图Temporary Mapping的模式，否则认为global matching是可靠的。

那如何将临时建的图融合到全局地图中呢？作者采用了位姿图优化的方法，如下图定义了Odometry Factor（二元边）和Global Matching Factors（一元边）。

公式不敲了，截图如下：

 4. Pose Fusion模块：

该模块主要作用是输出优化后的里程计位姿，由滑窗优化和一致性检测两部分组成。

滑窗优化主要是融合一段时间内的里程计位姿和全局定位的位姿，通过构建一个极大似然估计问题，如下公式。利用ceres求解。

Consistency Check 一致性检测：

由于场景变化带来的全局匹配噪声，可能陷入局部最优，继续使用导出的里程漂移进行初值更新最终会导致发散。那如何实现一致性检查呢？直觉上可认为漂移应该在nt帧内很小。因此如果nt帧间的累积漂移超过了一定阈值，便认定优化陷入局部最优，这时需要重置，采用最新时刻的里程计位姿和全局定位位姿对odometry drift进行更新。

融合是作为一个独立的线程实现的，因此更新里程计漂移不会影响全局匹配。

四、未来优化方向

在未来的工作中，我们计划设计一种自适应方案，在不同的环境中何时进入或退出临时建图，而不是设置恒定的阈值。