【论文笔记】Global Place Recognition using An Improved Scan Context for LIDAR-based Localization System

【论文笔记】Global Place Recognition using An Improved Scan Context for LIDAR-based Localization System

   ~~~      ~~~   全局位置识别是无人驾驶地面车辆的一项关键能力，因为它是在先验地图中进行定位的前提。然而，仅使用 3D LIDAR 的全局位置识别仍然是一个具有挑战性的问题。在本文中，提出了一种基于激光雷达的 3D 点云地图位置识别方法。全局描述符扫描上下文 (SC) 被采用并通过构建局部参考框架进行改进，使其对视点变化更加鲁棒。因此，提出了一种三阶段匹配算法来有效地执行地点识别。所提出的方法在 KITTI 数据集上得到验证。实验结果表明，该方法可以在200ms左右进行精确的地点识别，成功率在98%左右，比SC高出16%。
　　扫描上下文 (SC) [11] 是一个全局描述符，它将 3D LIDAR 扫描的整个点云编码为矩阵。它只提取可见点云的最高点，并且编码函数对点云的密度和法线是不变的。然而，当SC应用于地点识别时，有两个问题会降低鲁棒性和成功率。首先，SC 没有统一的参考系。如果移动机器人的视角发生变化，来自同一个地方的 SCs 会有所不同。其次，SC 在执行地点识别时使用一个简化的向量来替换整个矩阵。简化后的向量虽然不受视点变化的影响，但是丢失了很多信息，从而导致了很多的失配。
　　本文提出了一种基于改进SC的鲁棒全局位置识别方法。基于所提出方法的成功定位如图 1 所示。 SC 通过建立局部参考系得到改进，使其对视点变化更加鲁棒。然后，提出了一种三阶段匹配算法，以在可行的时间内实现地点识别。所提出方法的流水线可以在图 2 中看到。第一阶段是搜索一些类似于局部扫描的历史候选描述符。 SC 矩阵被二值化而不是使用简化的向量。第二阶段是用所有可能的列移动 SCs 计算分数以找到最大分数并获得粗略的初始姿势。由于改进后的SC有一个局部坐标系作为参考，SC矩阵只需要在很小的范围内移动。第三阶段，局部扫描与先验子图匹配，进行精确定位。

方法

1.Scan Context Generation

      ~~~~~~       Scan Context 使用 height 属性将关键点周围的点云编码为图像。如图 3 所示，点云被投影到它的顶视图上，并确定了一个有效的圆形区域。将区域沿径向等距划分为R个环，沿方位角划分为相同圆心角的S个扇区。扇区和环的交点称为bin，由图3a中的黑色区域表示。然后，将点的最大高度用作 bin 的典型值。分配给空箱的值为零。经过上述过程，一个点云被转化为一个R×S矩阵。最后，可以使用喷射颜色图来描述该矩阵，图 3b 中显示了单通道图像。矩阵的每一行