【论文笔记】Integrate Point-Cloud Segmentation with 3D LiDAR Scan-Matching for Mobile Robot Localization a

【论文笔记】Integrate Point-Cloud Segmentation with 3D LiDAR Scan-Matching for Mobile Robot Localization and Mapping

    ~~~          ~~~~     定位和地图绘制是自主移动系统执行导航和交互任务的关键要求。迭代最近点 (ICP) 广泛应用于机器人社区中的 LiDAR 扫描匹配。另外，标准ICP算法在迭代搜索最近点时只考虑几何信息。然而，在动态环境和高速公路等具有挑战性的环境中，ICP 单独无法实现准确的点云配准性能。此外，搜索最近点的计算是ICP算法中一个昂贵的步骤，仅限于满足实时性要求，尤其是在处理大规模点云数据时。在本文中，我们提出了一种基于分段的扫描匹配框架，用于六自由度姿态估计和映射。激光雷达在扫描时会产生大量的地面点，但这些点很多都是无用的，增加了后续处理的负担。为了解决这个问题，我们首先应用基于图像的地面点提取方法来滤除噪声和地面点。去除地面点后的点云然后被分割成不相交的集合。在这一步之后，应用标准的点对点 ICP 来计算连续扫描之间的六自由度变换。此外，一旦在环境中检测到闭环，就会采用用于全局松弛的 6D 图优化算法（6D 同时定位和映射 (SLAM)）。基于公开可用的 KITTI 数据集的实验表明，与标准 ICP 方法及其变体相比，我们的方法需要更少的运行时间，同时实现了更高的姿态估计精度。
　　在这项工作中，我们提出了一个基于片段的扫描匹配框架，用于六自由度姿态估计和映射。本文有四个贡献。
　　首先，引入了基于二维图像的地面点提取方法作为ICP匹配的预处理步骤。 LiDAR 在扫描周围场景的同时获取大量 3D 点，其中包含许多地面点。最近点的计算是标准ICP算法中的一个昂贵的步骤，不满足实时性要求。平坦道路上的地面点几乎不包含几何信息，而标准的点对点ICP算法仅考虑点对点欧几里得距离来搜索最近点。因此，这些接地点会导致较大的对应点误差。此外，地面点提取也是点云分割的关键步骤。
　　其次，去除地面点后的点云被分成许多簇。通过聚类，去除了一些没有共同属性的异常值。在这一步之后，这些不同的簇被合并成一个新的点云。与原始点云相比，新点云的地面点被去除，一些虚假地面点和噪声点也被过滤掉。这将大大提高ICP匹配的效率和准确性。
　　第三，我们通过结合分割算法扩展了 6D SLAM 的工作，相对于标准 6D SLAM 提高了姿态估计的准确性和效率。在此基础上，提出了基于城市、乡村甚至高速公路的系统评估，同时具有绝对和相对误差指标。结果验证了去除地面点确实可以提高ICP和6D SLAM的姿态估计精度。它还表明，相对于原始点云，6D SLAM 在没有地面点的点云的姿态优化方面表现更好。

系统概述