標題：Efficient LiDAR Odometry for Autonomous?Driving

作者：Xin Zheng, Jianke Zhu, Senior Member, IEEE

排版：點云PCL

來源:arxiv 2021?

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。內容如有錯誤歡迎評論留言，未經允許請勿轉載！

公眾號致力于分享點云處理，SLAM，三維視覺，高精地圖相關的文章與技術，歡迎各位加入我們，一起每交流一起進步,有興趣的可聯系微信：920177957。本文來自點云PCL博主的分享，未經作者允許請勿轉載，歡迎各位同學積極分享和交流。

摘要

激光雷達里程計在自主導航系統中的自定位和地圖夠建中起著重要的作用，通常被視為一個點云配準問題。傳統的基于搜索樹的方法雖然在KITTI里程基準上取得了良好的性能，但在處理大規模點云時仍然存在困難。最近提出的基于球面距離圖像的方法具有球面映射快速搜索最近鄰的優點。然而，對于與激光雷達光束幾乎平行的地面點的處理效果并不理想。為了解決這些問題，我們提出了一種新的有效的激光雷達里程計的方法，利用非地面球形距離圖像和鳥瞰圖的地面點。此外，本文還引入了一種距離自適應方法來穩健估計局部曲面法線。此外，本文還提出了一種快速且節省內存的模型更新方法來融合不同時間戳下的點及其對應的法線。我們在KITTI里程計基準上進行了大量的實驗，實驗結果表明我們提出的方法是有效的。

圖1 在KITTI數據集上使用我們提出的激光雷達里程計方法進行三維重建。

主要貢獻

本文提出了一種新的有效的激光雷達里程計（ELO）方法。除了球面射程投影之外，我們提出利用鳥瞰圖（BEV）保留有效的與激光束幾乎平行的地面點的鄰域關系。因此，將激光雷達里程計問題轉化為一個非線性最小二乘最小化問題，其中非地面成本和地面點根據其內聯比自適應地融合。提出了一種基于區間自適應的局部曲面法向量估計方法，該方法不使用交叉積，而是通過特征分解和野值剔除來實現局部曲面法向量的魯棒估計。此外，本文還提出了一種快速有效的模型更新方法，用于融合不同時間戳下的距離圖像及其對應的法向量圖。圖1顯示了我們的方法的重建結果。

本文的主要貢獻有：

1）利用非地面球面距離像和地面BEV地圖，提出了一種有效的激光雷達里程計方法；

2） 提出了一種基于距離自適應法向估計的激光雷達掃描配準方法；

3） 利用球面距離像和地面BEV圖，提出了一種快速高效的模型更新方案；

4） 在KITTI里程計基準上的實驗表明，該方法不僅在激光雷達里程計上取得了良好的效果，而且運行速度超過了169幀/秒。

主要內容

本文提出的用于自動駕駛的高效激光雷達里程計的方法。首先，我們將問題轉化為一個同時考慮非地面和地面成本的非線性最小二乘最小化問題。其次，提出了一種基于球面距離圖像和距離自適應正態估計的非地面代價估計方法。第三，利用二維鳥瞰圖對地面成本進行了詳細分析。最后，我們提出了一個有效的地圖更新方案，用于非地面距離圖像和地面地圖。

? ? ? ? ? ? ? ? 圖2? ?高效的激光雷達里程計方法的概述流程圖

1） 概述：如綜述文章所述，激光雷達里程計被描述為幀到模型配準問題，其目的是在連續掃描之間找到精確的變換。如圖2所示，首先將來自LiDAR的原始3D點云投影到球形范圍圖像上，以便于快速分割和非地面。其次，從得到的球面范圍圖像中分割出地面點，再將其投影到二維鳥瞰圖上，形成地面代價函數。第三，利用距離自適應方法計算球面投影圖像的法向映射，利用ICP估計姿態增量。最后，我們通過記憶有效更新方案更新了非地面球面射程模型和BEV地面地圖。

2） 提出的融合方法：為了便于有效的配準，快速的最近鄰搜索是找到當前掃描與點模型之間的對應關系的關鍵，這對于計算點對面誤差的法向估計具有重要意義。搜索樹是激光雷達測距的計算瓶頸。受投影數據關聯[10]的啟發，我們將散亂的三維點直接映射到二維球面范圍圖像上，有效地尋找最近鄰，這在RGBD-SLAM中得到了廣泛的應用。如[20]所述，在自動駕駛車輛中，激光雷達的方向稍微朝向地面，因此一半的掃描點屬于路面。特別是在高速公路上，從非地面點云中提取的平面特征很少，不可避免地會導致姿態估計的漂移。因此，非地面特征不足以進行跟蹤，而地面點與豐富的平面特征是很好的補充。感知地面點的分布比非地面點的分布更稀疏。這就產生了球面范圍圖像中相鄰地面點的像素不屬于同一局部曲面的問題。我們在圖3中展示了一個例子。給定三個相鄰的激光束，立面和地面的交點分別為F1、F2、F3和G1、G2、G3。它們在球面范圍圖像中對應的像素在同一列中。位于立面上垂直于激光束的點正好是一個表面上的最近鄰點。然而，當反射面平行于激光束時，相鄰像素之間的距離可能非常大。

? ? 圖3 立面點F1、F2、F3和地面點G1、G2、G3的球形投影示例。

實驗

在本節中，我們將詳細介紹我們的實驗，并討論激光雷達里程計的結果。我們在駕駛數據集上測試了該方法的有效性。此外，我們比較了我們提出的方法與最新的最先進的方法和評估的計算時間。

A 對不同投影方法的評價

我們首先考察了不同投影方法的性能，包括球面距離像、鳥瞰圖和我們提出的融合方法。為了便于公平比較，所有的方法都采用我們提出的范圍自適應方法來估計法線。

可以清楚地看到，我們提出的融合方法在KITTI訓練數據集上獲得了最好的結果，這表明地面信息對于具有挑戰性的LiDAR里程計場景（如高速公路）是必不可少的。

B 法向量估計的評估

我們研究了不同法向量估計方法的里程計結果，包括兩點對的叉積、特征分解和我們提出的距離自適應方法。如表三所示，我們提出的范圍自適應方法在很大的幅度上始終優于交叉積和普通特征分解。此外，由于球面距離像上的相鄰點位于不同的平面上，叉積法在多個序列中存在漂移問題。此外，本征分解方法對里程計結果有很大的改進。

實驗結果如表二所示。結果表明，在KITTI訓練數據集上，該方法的平移漂移為0.50%，旋轉誤差為0.0018 deg/m。圖4描繪了我們提出的方法的軌跡。此外，在KITTI測試數據集上，我們得到了0.68%的平移漂移和0.0021 deg/m的旋轉誤差，其性能優于IMLS，平移誤差為0.69%。請注意，IMLS是最先進的激光雷達里程計方法，在已公布的結果中表現最好。與基于球面距離像的方法相比，該方法利用我們提出的投影融合方法和距離自適應正態估計方案，在KITTI基準上顯著提高了軌跡精度。與傳統的兩步地面優化方法（如LeGO LOAM[20]）相比，我們提出的鳥瞰圖能夠非常有效地捕捉地面信息。

. 圖4 基于KITTI-odoemtry數據集的相機軌跡

如表4所示，所提出的方法在商用筆記本電腦上每秒運行約169幀，而IMLS需要1.25秒來處理單次掃描。此外，傳統的球面投影法在15Hz左右運行。這表明該方案不僅非常有效，而且由于高效的并行實現，比傳統方法快一個數量級。如果采用精度較低的幀對幀優化（每秒238幀），速度可能會更快。最后，該方法在NVIDIA-Jetson-AGX上僅需27毫秒，可能是自主車輛的關鍵部件。

總結

提出了一種新的有效的激光雷達里程計方法，該方法同時考慮了非地面球面距離像和地面鳥瞰圖。此外，本文還引入了距離自適應方法來穩健估計局部曲面法線。此外，我們還提出了一種記憶有效的模型更新方案，以融合不同時間戳的點及其對應的法線。我們對KITTI里程計基準進行了廣泛的評估，其令人鼓舞的結果表明，我們提出的方法不僅優于最先進的LiDAR里程計方法，而且在商品膝上型計算機上每秒運行169幀。盡管取得了這些令人鼓舞的成果，但仍應解決一些局限性和今后的工作。目前，我們的方法只考慮激光雷達數據。此外，我們還包含了循環閉合檢測。對于未來的工作，我們將通過結合密集圖像對齊和后端優化來解決這些問題。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

如果你對本文感興趣，請后臺發送“知識星球”獲取二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的自动驾驶中高效的激光雷达里程计的全部內容，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。