【论文笔记】高效、稀疏的三维激光SLAM ： A Novel 3D LiDAR SLAM Based on Directed Geometry Point and Sparse Frame

最新推荐文章于 2024-01-18 11:21:41 发布

原创

最新推荐文章于 2024-01-18 11:21:41 发布 · 755 阅读

0 ·

CC 4.0 BY-SA版权

本文针对基于scan2map的三维激光slam匹配耗时问题，提出DGP - SLAM新型3D激光SLAM算法。该算法包括DGP提取、scan - to - map匹配和闭环检测三部分，提升了效率和精度。通过在多个数据集实验，其地图尺寸小于其他方法，为高效匹配奠定基础。

中国科学院自动化研究所

基于scan2map的三维激光slam鲁棒性好, 深度信息精确, 是相关领域的研究热点。但是，为了达到满意的定位精度，还需要构建一个大的稠密地图，这导致scan2map的匹配非常耗时。

为了解决这个问题，本文提出了一种基于有向几何点（DGP）和稀疏帧的新型3D激光SLAM（包括闭环检测以及位姿图优化）。前者用于在空间维度上提供点的稀疏分布，后者用于在时间序列中产生帧的稀疏分布。该策略提升了三维激光SLAM的效率和里程计位姿估计的精度。为了补偿稀疏帧导致的定位和建图的精度损失，本文使用point propagation方法来提升有向点的质量和scan2map的匹配精度。

论文方法 DGP-SLAM

有向点的表示：（x,y,z,i,j,k）, 坐标 + 单位方向向量
从激光雷达的一帧中提取：

directed edge point set $L_t$ , 点云中的点的单位方向向量代表所在直线的方向
directed planar point set $P_t$ ，点云的单位方向向量代表点所在平面的法向量。

问题描述:
给定帧 $C_t$ （t=0,1,2，…）中的三维激光雷达点云，提取有向边点和有向平面点集 $L_t$ 和 $P_t$ ，估计位姿变换 $T_{k_αC_t}$ ，并通过scan2map来保留fusion frames的有向点集 $LxyL^y_x$ 和 $PxyP^y_x$ 。在此基础上，利用关键帧上的有向点集进行闭环检测，并在关键帧之间执行全局位姿图优化。

处理流程概述

在这里插入图片描述

DGP-SLAM 包括DGP extraction, scan-to-map matching 以及loop closure 三个部分。首先对新的一帧进行有向点提取，然后根据有向点在局部图中通过迭代数据关联和位姿优化进行scan2map匹配。接着依次执行帧选取和点传播来更新局部地图。最后闭环检测模块结合关键帧的有向点集以及帧间相对位姿来检测闭环以及优化全局位姿图。
算法输出该新的帧的全局姿态和一个遍历区域的全局地图。

一、DGP Extraction

有向点是从原始点云数据中生成的新的点，其坐标是点云邻域的中心，方向向量是所在边的朝向或所在面的法向量。

首先将地面点云分离出来作为平面点，

地面点提取方法：《fast segmentation of 3Dpoint clouds: A paradigm on LiDAR data for autonomous vehicle appli-cations》

然后在非地面点云中提取edge points和planar points，提取方法与loam相同

在此基础上，对每个未遍历的边或平面点，通过KD树的半径搜索得到相邻点u1，u2，···um，并计算领域的中心 $c_u$ 和方向向量 $d^u\hat d_u$ ，其中方向向量对应于矩阵 $∑U=1m∑i=1m(ui−cu)(ui−cu)\sum_U=\frac1m\sum^m_{i=1}(u_i−c_u)(u_i−c_u)$ 的最小或最大特征值的单位特征向量，取决于是平面点还是边缘点。
然后将（ $c_u$ , $d^u\hat d_u$ ）添加到Lt或者Pt中，并将u1，u2，···um标记为遍历。