4、室内点云SLAM的新型拓扑度量研究

室内点云SLAM的新型拓扑度量研究

1. 背景与动机

在室内环境中，移动机器人的自主定位技术至关重要。基于拓扑的SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）姿态估计是实现这一目标的关键技术之一。然而，SLAM过程中存在的旋转和翻译噪声会对平面特征产生影响，进而影响定位的准确性。为了解决这些问题，研究人员提出了基于神经网络点云语义分割优化的平面检测算法，并引入了共面方差（CPV）和平面法线熵（PNE）两个评估指标。

2. 相关技术原理

• 平面检测优化 ：通过处理滑动窗口内的所有点云帧，结合鲁棒统计平面检测和优化的点云平面特征提取，能够提高平面检测的准确性和完整性。同时，根据检测到的平面法线更新平面点的法线，进一步提高后续法线估计的准确性。
• CPV和PNE的计算
  • CPV（共面方差） ：每个姿态由旋转和翻译分量组成，轻微的翻译噪声会导致连续两帧点云中同一平面发生偏移，使近似共面平面上的点方差增大。为了减轻这种影响，提出了基于团的平行平面检测算法。具体步骤如下：
    1. 根据平行平面的共面条件（公式10）识别近共面平面。
    2. 通过基于图的团搜索实现高效准确的近共面平面识别。
    3. 计算所有近共面平面的点方差作为CPV的最终结果。
       公式10：
       [
       \begin{cases}
       Ax + By + Cz + D_1 = 0 \