Efficient Surfel-Based SLAM using 3D Laser Range Data in Urban Environments

• 摘要和引言
• • 摘要
  • • 方法
    • 結果
    • 結論
  • 引言
  • • 關鍵工作
    • 特點
• 結果和討論
• 方法和實驗
• • 方法
  • • 七步
    • 六部分
    • • A.Preprocessing
      • B.Map Representation
      • C.Odometry Estimation
      • D.Map Update
      • E.Loop Closures
      • • Detection
        • Verification
        • Pose graph optimization
      • F.Implementation Details
  • 實驗
• 如有錯誤，煩請斧正，不勝感激！

摘要和引言

摘要

方法

提出了一種新的、稠密的激光建圖方法，在由旋轉激光傳感器獲得的3d點云上進行操作。

結果

• 構建了基于surfel的地圖（基于surfel的地圖第一次被用在激光SLAM中）
• 估計機器人位姿變換情況（通過利用在當前掃描和該surfel地圖的渲染模型視圖之間的投影數據關系）
• 對于回環的檢測和確認，在潛在的回環之前在地圖上組成了一個虛擬的視圖（利用地圖表示）（即使是掃描與已建圖區域重疊很小的情況下，也有了較為魯棒的檢測）
• 可進行實時配準，檢測回環并以在線的方式進行地圖更新

結論

實驗表明，只基于點云就可以建立大尺度下（戶外）的全局一致性地圖。

引言

較室內環境的挑戰

• 傳感器移動較快，導致掃描間位移較大
• 相對稀疏的點云
• 大尺度環境

提出SuMa

• 建立了全局一致性的地圖（通過追蹤位姿、所謂的里程計、使用位姿圖的回環）
• 使用surfel地圖高效地生成投影數據關聯和額外的回環檢測（隨后驗證回環）的合成視圖
• 用surfel可以高效地表示大場景
• 可在回環檢測上更新地圖（利用整合里程計和回環限制條件的圖優化）

關鍵工作

• 提出了一種SLAM系統，該系統可以用三維激光測距數據進行高效建圖，從而獲得全局一致的地圖
• 提出了一種新的基于地圖的回環檢測標準，即使在掃描之間重疊很小的情況下也能夠檢測到回環

特點

首個基于3D激光的建圖方法（使用surfel進行帶回環的建圖），產生全局一致的地圖

結果和討論

結果

• 提出了一種基于激光的里程計和建圖的稠密方法，該方法可以在線執行所有的計算并生成全局一致的地圖
• 利用一種基于surfel的地圖表示法，在每次迭代時將當前掃描與surfel地圖的投影數據關聯
• 實驗評估表明，這將產生準確的配準結果以及與最新技術相當的全局一致地圖

下一步

• 融合色彩信息，以改進在投影數據關聯時的對應項的選擇
• 融合全局回環搜索，若里程計估計值漂移很大，也可以找到回環
• 對動態對象的檢測和跟蹤（例如Moosmann和Stiller的方法）有可能提高配準結果的魯棒性和質量，因為它可以可靠地刪除動態對象

方法和實驗

方法

七步

六部分

A.Preprocessing

數據預處理。
輸入是三維點云數據，輸出是$V_D((u,v))$,$N_D((u,v))$兩個映射關系。
投影，將三維映射為二維：

$V_D((u,v))$將二維坐標$(u,v)$映射為三維點。
$N_D((u,v))$將二維坐標$(u,v)$映射為三維法向量。

B.Map Representation

地圖表示。
surfel組成

• 一個三維位置向量$v_s$
• 一個三維法向量$n_s$
• 一個常數半徑$r_s$
• 兩個時間戳(創建時的時間戳$t_c$,上次更新的時間戳$t_u$)

地圖$M$組成

• 許多surfel組成的無序集合，分為
• $M_{active}$–由最近更新的surfel組成（用于里程計估計位姿）
• $M_{inactive}$–由非最近創建的surfel組成（進行回環搜索）

??surfel與位姿通過$t_c$聯系起來，$v_s$和$n_s$是局部坐標系$C_{t_c}$中的，對于相應位姿$T_{W{C}_{t_c}}$的簡單改動即可實現對surfel地圖的改動。

C.Odometry Estimation

里程計估計兩幀間(當前時刻$t$到上一時刻$t?1$)的相對位姿
用所謂的frame-to-model ICP進行位姿估計。
所謂的model概念及位姿關系

即

• data–于時刻$t$在坐標系$C_t$中的觀測數據
• model–在給定坐標系$C_k$處的地圖對應的渲染

ICP

• 誤差項$E_{odom}$

• 初始值為$T_{(t?2)(t?1)}$(t-1時刻到t-2時刻的位姿)

• 迭代方法–高斯牛頓

• 核函數–huber核

D.Map Update

地圖更新。
data surfel和model surfel。
data surfel

• 通過A.Preprocessing可由點算得data surfel $s(包含v_s,n_s,r_s)$ 中的$v_s,n_s$
• $r_s$的計算如下

過程

通過A.Preprocessing中的投影將三維點$p$映射為二維坐標$(u,v)$到$I_M$中找到對應的model surfel $s^{\prime }(包含v_s^{\prime },n_s^{\prime },r_s^{\prime })$

若

則data surfel $s$與model surfel $s^{\prime }$兼容，
否則data surfel $s$與model surfel $s^{\prime }$不兼容。

地圖更新之后，移除所有穩定值過低同時太舊的surfel

??$I_M$是索引映射，包含相對于傳感器原點和最終位姿$T_{W{C}_t}$最近的surfels的索引。
data surfel $s$與model surfel $s^{\prime }$兼容

• 提升model surfel $s^{\prime }$的穩定性
• 若測量值更準確，即$r_s$ < $r_s^{\prime }$,則用測量值更新model surfel $s^{\prime }$

data surfel $s$與model surfel $s^{\prime }$不兼容

• 降低model surfel $s^{\prime }$的穩定性和初始化一個新surfel
• 若測量值無法分配給任意已存在的surfel，則初始化一個新surfel

E.Loop Closures

回環檢測（過程類似于里程計，主要是點云配準）。

Detection

在不活躍的地圖$M_{inactive}$里找

對于j*，用frame-to-model ICP將對應位姿$T_{W{C}_j?}$處的渲染視圖與當前點云對齊

虛擬視圖

為了解決掃描間重疊率低的情況，我們使用里程計估計和上述候選方法的轉換，在潛在的回環之后繪制了地圖的虛擬視圖。

• 虛擬視圖由$M_{inactive}$中渲染模型視圖組成
• 誤差項($E_{map}$)
  如果$E_{odom}$的殘差和$E_{map}$的殘差相對較小，則說明對齊方式是一致的;
  當$E_{map}$的殘差最小時，可以區分有效和無效的候選回環。

??對于重疊率低的情況，不能只簡單地評估當前測量值相對于渲染的不活躍的地圖$M_{inactive}$的殘差

Verification

即使我們嘗試通過渲染虛擬地圖來排除無效的回環，該標準仍可能導致無效的回環，因此我們需要驗證回環（通過追蹤active map和inactive map中的位置）。

如何驗證回環？

怎樣才算驗證通過？

Pose graph optimization

• 當回環驗證通過后，就把回環約束加入位姿圖中
• 在獨立線程中進行實際位姿圖優化
• 位姿圖優化完成后，將優化的位姿整合到地圖中，并相應地更新當前位姿估計

F.Implementation Details

使用OpenGL 4.0實現。
位姿圖優化迭代方法用的LM。

實驗

如有錯誤，煩請斧正，不勝感激！

總結

以上是生活随笔為你收集整理的SuMa论文阅读的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。