【论文笔记】激光里程计网络 LO-Net:Deep Real-time Lidar Odometry2019_lo-net: deep real-time lidar odometry-优快云博客

提出LO-Net，一种基于多任务学习的激光里程计方案，实现法向量估计、动态区域预测及位姿回归，结合scan2map建图模块，有效提升精度。

厦门大学，路易斯安那州立大学

本文提出了激光里程计LO-Net，其通过多任务学习对点云数据同时进行法向量估计、动态区域预测、相机位姿回归。

此外还设计了一个scan2map 的建图模块来降低累计误差、提升里程计的精度。

达到了超越DP-based方法、与几何结构方法SOTA–LOAM相似的里程计性能。

网络结构

网络输入为前后帧的点云数据，网络分为三个部分：

法向量估计网络
动态区域mask估计网络
位姿回归孪生网络

最后，还有一个将当前帧的点云注册到map中的建图模块，负责将预测的相对位姿根据map转换为绝对位姿然后输出。

点云数据encoding：

处于速度的考虑，作者选择将点云投影到圆柱平面上：
$α=arctan⁡(y/x)/Δαβ=arcsin⁡(z/x2+y2+z2)/Δβ\begin{array}{l} \alpha=\arctan (y / x) / \Delta \alpha \\ \beta=\arcsin \left(z / \sqrt{x^{2}+y^{2}+z^{2}}\right) / \Delta \beta \end{array}$
其中 $Δβ\Delta \alpha \ \ \Delta \beta$ 分别是水平和垂直方向上连续光束发射器之间的平均角分辨率。
位于 $(α,β)(\alpha,\beta)$ 处的像素包含距离信息： $r=x2+y2+z2r=\sqrt{x^{2}+y^{2}+z^{2}}$ 以及激光强度信息。
对于多个点同时对应到一个像素的情况，只保留距离激光雷达最近的点。

投影后得到的柱面图尺寸：H×W×C

几何一致性约束

论文将几何一致性约束分别加入到三个网络模块的损失函数中，提升了网络的预测精度。

1. 法向量估计

假设柱面投影函数为P，前后帧的相对位姿变换为 $T^t$ ,那么可以根据t-1时刻的柱面投影图 $Xt−1αβX_{t-1}^{\alpha \beta}$ 推出t时刻的柱面投影图 $XtαβX_{t}^{\alpha \beta}$ ：
$X^tαβ=PTtP−1Xt−1αβ\hat{X}_{t}^{\alpha \beta}=P T_{t} P^{-1} X_{t-1}^{\alpha \beta}$

为了衡量预测的柱面图 $XtαβX_{t}^{\alpha \beta}$ 与真实的点云南数据投影后的柱面图之间的差异，作者选择使用法向量相似度最为衡量依据。原因在于由于点云的稀疏性，前后帧的点云并非是一一对应的，因此直接衡量对应点之间的距离会导致很大的误差。而法向量可以反映道路的平滑表面和清晰的边缘。如果在map中只保留平滑平面上的点，那么在注册点云时其法向量应当是非常相近的。

传统的点云法向量估计可以采用PCA的方法，但是在网络传播时计算特征值非常慢，因此本文采用了一种巧妙的设计：

直接计算该点附近四个点分别到该点的向量的法向量，然后将求得的法向量平均，得到该点处的法向量，如图：

计算公式:
$N(Xi)=∑Xki,Xij∈P(wik(Xik−Xi)×wij(Xij−Xi))\mathcal{N}\left(X^{i}\right)=\sum_{X^{i}_{k}, X^{i} j \in \mathcal{P}}\left(w_{i k}\left(X^{i_{k}}-X^{i}\right) \times w_{i j}\left(X^{i_{j}}-X^{i}\right)\right)$