π-LSAM 介于平面优化的激光雷达平滑与建图算法
发布时间：2022-03-03 19:41:36 所属栏目：大数据 来源：互联网
导读：本文提出了一种用于室内环境的实时密集平面激光雷达扫描系统-LSAM。目前被广泛使用的LOAM框架[1]不包括约束调整(Bundle Adjustment，又称BA或光束法平差)模块，这导致它只能生成低保真度的跟踪位姿。本文试图克服已有算法在室内环境中的这些缺点。具体来说
|
本文提出了一种用于室内环境的实时密集平面激光雷达扫描系统π-LSAM。目前被广泛使用的LOAM框架[1]不包括约束调整(Bundle Adjustment，又称BA或光束法平差)模块，这导致它只能生成低保真度的跟踪位姿。本文试图克服已有算法在室内环境中的这些缺点。具体来说，我们使用平面作为地标，并引入平面调整(PA)作为后端来共同优化平面和关键帧的位姿。我们提出了π因子来显著降低PA的计算复杂度。此外，我们还提出了一种基于RANSAC框架的高效的平面循环检测算法。在前端，我们的算法可以实时进行全局配准。为了实现这点，我们保留了局部到全局的点到平面的对应扫描，因此我们只需要一个小的局部kd树来建立激光雷达扫描和全局平面之间的数据关联，而不是像以前的工作那样使用一个大的全局kd树。通过这种局部到全局的数据关联，我们的算法可以直接识别激光雷达扫描中的平面，并产生一个准确的、全局一致的位姿。实验结果表明，该算法显著优于最先进的LOAM变体LeGO-LOAM[2]，并且实现了实时处理。 算法流程 1. 系统流程 我们的系统有两个部分：前端和后端。前端通过ICP过程建立局部到全局的点到平面对应，并实时提供全局一致的位姿。后端联合优化平面和关键帧的位姿，并提供信息来纠正前端的位姿漂移。 2. 前端 2.1 平面提取 我们在整个激光雷达扫描中只以第一个位姿探测这个平面。我们采用论文[30]中引入的区域生长方法来提取平面，并进行了以下改动。对于一个旋转的激光雷达，其点云中包含一个结构。我们参考论文[31]中的做法，将点云转换成一个范围图像。对于同一条扫描线内的点，我们根据旋转角度对它们进行排序。扫描线i中某一点p的K个最近邻只能来自同一条扫描线i或相邻扫描线i 1和i+1。在区域增长步骤中，我们在第i 1、i和i+1条扫描线中为查询点p分别选择5个最近的点。由于可能存在遮挡，一个平面可能被分解成几块。我们试图合并具有相似参数的平面，且只保留得分超过50分的平面。我们也会为新的关键帧提取新的平面，但这只针对一小部分与当前全局平面不匹配的激光雷达扫描。 2.2 扫描中的运动畸变 激光雷达扫描的测量值（即点云）不是在同一时间采集的，因此，测量值会受到运动失真的影响。这个问题可以通过对扫描中的运动进行建模来解决（如论文[1][8]所示）。 2.3 基于ICP的全局点云注册 我们引入了一种新的ICP过程来建立局部-全局点对点-平面对应，并实时估计相对位姿，如图2所示。 数据关联 假设有N个全局平面被第k次扫描Lk部分观测到，我们结合这N个平面建立集合Qk。然后我们在Qk上建立一个KD树。基于此我们提出Lk坐标系下的点集Lk+1与N个全局平面之间的数据关联如下： 其中P表示来自Lk的K个最近邻点且属于平面πn的点集。 状态估计 基于P与πn的数据关联，我们定义点到平面的残差如下： 我们使用LM算法来最小化如下残差向量： 2.4 关键帧选择 我们用下列三个标准来判断一个新的关键帧是否是我们需要的： a) Lk+1中超过30%的点未能匹配； b) 当前帧与最新关键帧之间的距离大于τ(在我们的实验中τ=0.15m)； c) 当前帧与最新关键帧之间的旋转夹角大于θ（在我们的实验中θ=10°）； 在初始阶段(即轨迹长度小于2m时)，我们会放宽引入新关键帧的标准，即设置τ=0.1m和θ=5°。这是因为激光雷达点云是稀疏的，一帧扫描的平面参数通常质量较低。并不是所有的关键帧都会被保留，其中一些将在后续步骤中被删除（如[32]中所示）。 2.5 新平面的选取 对于一个新的关键帧，我们首先使用第2.1节中引入的算法，从与全局平面不匹配的点中检测平面。我们只保留了得分超过50分的平面。如果一个新的全局平面不能在超过三个关键帧中被跟踪到，它将被删除。 3. 后端 3.1 平面优化 我们的目标是共同优化平面参数和关键帧位姿，这类似于视觉SLAM中的BA（即视觉SLAM中对3D点和相机位姿进行共同优化）。由于BA对视觉SLAM中的点特征有特殊的意义（如论文[33]所述），这里我们将其命名为联合最小化问题平面调整(PA)。图3展示了一个PA问题的因子图： 假设我们有N个关键帧和M个平面，Pij是在位姿Ti处观测到的在平面πj上的Nij点的集合，而Pijk是Pij的第k个点。假设pijk为pijk的齐次坐标，则pijk与πj之间的有符号距离的形式为： PA问题的损失函数为： 由于Nij通常非常大，而即使是小场景下的PA问题也是一个运算量很大的最小二乘问题。我们引入π因子来解决这个问题，如下所述。 3.2 全局平面优化（GPA） 我们进行全局平面调整(GPA)来最小化损失函数，以全局优化关键帧位姿和平面参数。具体步骤包括触发式回环检测、平面关联、RANSAC、合并全局平面，最后以GPA优化后的参数更新整个系统。 （编辑：PHP编程网 - 黄冈站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330482号