點(diǎn)云PCL免費(fèi)知識(shí)星球，點(diǎn)云論文速讀。

文章：A General Framework for Lifelong Localization and Mapping in Changing Environment

作者：Min Zhao, Xin Guo, Le Song, Baoxing Qin, Xuesong Shi, Gim Hee Lee, Guanghui Sun

編譯：點(diǎn)云PCL

歡迎各位加入免費(fèi)知識(shí)星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)朋友圈。文章僅做學(xué)術(shù)分享，如有侵權(quán)聯(lián)系刪文。未經(jīng)博主同意請(qǐng)勿擅自轉(zhuǎn)載。

論文閱讀模塊將分享點(diǎn)云處理，SLAM，三維視覺(jué)，高精地圖相關(guān)的文章。公眾號(hào)致力于理解三維視覺(jué)領(lǐng)域相關(guān)內(nèi)容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯(lián)系微信dianyunpcl@163.com。

摘要

大多數(shù)現(xiàn)實(shí)場(chǎng)景中（如商場(chǎng)和超市）的環(huán)境隨時(shí)都在變化，不考慮這些更改的預(yù)構(gòu)建建圖很容易過(guò)時(shí)。因此，有必要建立最新的環(huán)境地圖，以適配機(jī)器人的長(zhǎng)期定位問(wèn)題。為此，本文提出了一個(gè)通用的長(zhǎng)期同步定位和建圖（SLAM）框架，該框架使用多部分地圖表示，并利用一種有效的地圖更新策略，包括地圖構(gòu)建、位姿圖細(xì)化和稀疏化，為了減少內(nèi)存使用的無(wú)限增長(zhǎng)，我們提出了一種基于Chow-Liu最大互信息生成樹的地圖修剪方法。通過(guò)一個(gè)多月的機(jī)器人在真實(shí)超市環(huán)境中的部署，所提出的SLAM框架已經(jīng)得到了全面的驗(yàn)證。此外，我們還發(fā)布了從室內(nèi)和室外變化環(huán)境中收集的數(shù)據(jù)集，希望能夠加速長(zhǎng)期定位的SLAM研究，數(shù)據(jù)集可在

https://github.com/sanduan168/lifelong-SLAM-dataset

主要貢獻(xiàn)

典型的SLAM系統(tǒng)由前端和后端模塊組成，前端模塊從傳感器獲取數(shù)據(jù)，如激光雷達(dá)點(diǎn)云和相機(jī)圖像，并計(jì)算連續(xù)數(shù)據(jù)幀之間的位姿關(guān)系，后端模塊通過(guò)運(yùn)行回環(huán)檢測(cè)來(lái)校正前端估計(jì)的漂移，為了應(yīng)對(duì)環(huán)境變化，我們?cè)谇岸撕秃蠖四K的基礎(chǔ)上引入了地圖更新模塊，此地圖更新模塊執(zhí)行以下操作：

• 在進(jìn)行定位時(shí)收集傳感器數(shù)據(jù)并記錄動(dòng)態(tài)場(chǎng)景。

• 檢測(cè)舊地圖和實(shí)時(shí)更新地圖之間的差異。

• 使用實(shí)時(shí)更新的地圖修剪舊地圖，從而在高效恒定的計(jì)算復(fù)雜度下跟上環(huán)境變化。

在本文中，作者提出了一個(gè)長(zhǎng)期定位和建圖的一般框架，具體地說(shuō)，該框架跟蹤場(chǎng)景中的變化，并維護(hù)最新的地圖，以便進(jìn)行準(zhǔn)確而穩(wěn)健的定位估計(jì)，作者在超市環(huán)境中連續(xù)工作一個(gè)多月的真實(shí)商業(yè)機(jī)器人上測(cè)試了此方法。實(shí)驗(yàn)結(jié)果表明，在環(huán)境發(fā)生重大變化的情況下，該方法能夠?qū)崿F(xiàn)精確而魯棒的定位。本文的主要貢獻(xiàn)總結(jié)如下：

• 提出了一種在不斷變化的環(huán)境中完整的長(zhǎng)期SLAM總體框架；

• 在保持計(jì)算和內(nèi)存復(fù)雜性的情況下，有效運(yùn)行一種基于子地圖的圖形稀疏化方法；

• 開放了在不斷變化的環(huán)境中，激光雷達(dá)、IMU和車輪編碼器數(shù)據(jù)的公共數(shù)據(jù)集，用于長(zhǎng)期SLAM的研究。

主要內(nèi)容

圖2，提出的長(zhǎng)期SLAM框架概述

A.整體結(jié)構(gòu)

如圖2所示該系統(tǒng)由三個(gè)子系統(tǒng)組成：局部激光雷達(dá)里程計(jì)（LLO）、全局激光雷達(dá)匹配（GLM）和位姿圖優(yōu)化（PGR），LLO的作用是構(gòu)建一系列局部一致的子地圖，GLM子系統(tǒng)負(fù)責(zé)計(jì)算傳入掃描點(diǎn)云和全局子地圖之間的相對(duì)約束，并將子映地圖和約束插入PGR，PGR是我們系統(tǒng)中最重要的部分，它從LLO和GLM收集子地圖和約束關(guān)系，修剪并保存在歷史地圖中的舊的子地圖，并執(zhí)行姿勢(shì)圖稀疏化和優(yōu)化。

B. Multi-session定位

地圖管理程序的方法基于圖3所示的地圖更新過(guò)程，部署到新環(huán)境中的機(jī)器人必須首先執(zhí)行建圖，收集傳感器數(shù)據(jù)（包括激光雷達(dá)、IMU和車輪編碼器），并構(gòu)建當(dāng)前環(huán)境的地圖表示，該地圖由多個(gè)占用柵格子地圖組成，其中每個(gè)子地圖包括固定數(shù)量的具有相應(yīng)位姿的激光雷達(dá)掃描數(shù)據(jù)。有兩個(gè)優(yōu)點(diǎn)：

1）局部掃描點(diǎn)云到子地圖匹配，單個(gè)子地圖不受全局優(yōu)化的影響；

2）通過(guò)修剪舊的子地圖并向其添加新子地圖中，可以方便地更新全局貼圖。

建圖階段結(jié)束后，機(jī)器人執(zhí)行定位任務(wù)并從LLO創(chuàng)建新的子地圖，這些子地圖總是最新的，不斷記錄當(dāng)前環(huán)境的最新特征，創(chuàng)建新的submap后，將其傳輸?shù)絇GR以進(jìn)行后續(xù)的map更新，除LLO外，傳感器數(shù)據(jù)還輸入到GLM，GLM負(fù)責(zé)計(jì)算全局地圖中掃描點(diǎn)云和地圖之間的相對(duì)測(cè)量約束，并將約束輸出到PGR。PGR是框架的關(guān)鍵子系統(tǒng)，它分別從LLO和GLM接收新的子地圖和約束關(guān)系。PGR由三個(gè)模塊組成：子地圖修剪、位姿圖稀疏化和位姿圖優(yōu)化。它通過(guò)替換舊會(huì)話中過(guò)時(shí)的子地圖來(lái)維護(hù)最新的子地圖。此外，為了保持姿態(tài)圖的稀疏特性，去除了相關(guān)的陳舊子地圖、節(jié)點(diǎn)和約束關(guān)系，來(lái)自PGR的其余子地圖被傳輸?shù)饺肿拥貓D數(shù)據(jù)庫(kù)，用于后續(xù)的定位任務(wù)，我們稱此過(guò)程為“地圖更新”。每個(gè)定位部分都重復(fù)上述步驟，以估計(jì)機(jī)器人的姿勢(shì)并獲得更新的地圖。

圖3，地圖更新過(guò)程的示意圖，在建圖階段的session0期間，首先構(gòu)建一個(gè)新地圖，給定預(yù)先構(gòu)建的地圖，機(jī)器人然后估計(jì)其姿勢(shì)，并在接下來(lái)的定位階段更新地圖。

C. 位姿圖優(yōu)化

1）子地圖修剪：在長(zhǎng)期定位的背景下，每當(dāng)機(jī)器人重新進(jìn)入之前訪問(wèn)過(guò)的地形時(shí)，新的子貼地圖將被添加到全局地圖，而不是過(guò)時(shí)的子地圖，關(guān)鍵的想法是修剪舊的子地圖以限制其數(shù)量。大多數(shù)現(xiàn)有方法依賴于環(huán)境變化檢測(cè)。他們需要通過(guò)逐單元比較舊地圖和最新地圖，找出何時(shí)更新本地的地圖，為了降低計(jì)算復(fù)雜度，我們采用計(jì)算過(guò)時(shí)子地圖的重疊率，如果比率低于定義的閾值，則不會(huì)刪除舊的子貼圖，否則，它們將在以下位姿圖稀疏化模塊中標(biāo)記為修剪和刪除，無(wú)論舊子地圖的狀態(tài)如何，新子貼圖都將添加到姿勢(shì)圖中。這種方法的優(yōu)點(diǎn)是，我們可以為在固定區(qū)域工作的機(jī)器人保持恒定的計(jì)算時(shí)間。

2）位姿圖稀疏化：丟棄修剪子地圖的直接方法是拋出與子地圖連接的所有約束和節(jié)點(diǎn)，然而，這種方法會(huì)丟失很多關(guān)于位姿圖的信息，從而導(dǎo)致位姿圖的不穩(wěn)定性，邊緣化是緩解這一問(wèn)題的有效途徑，為了避免在所有變量對(duì)之間引入新邊，從而降低圖的稀疏性并大大增加計(jì)算復(fù)雜度，這里采用Chow-Liu樹將單個(gè)消除團(tuán)近似為稀疏樹結(jié)構(gòu)。

圖4示出了稀疏化過(guò)程，給定一個(gè)原始位姿圖（圖4（a）），在圖4（b）（藍(lán)色虛線矩形）中預(yù)定移除一個(gè)帶有兩個(gè)節(jié)點(diǎn)的子地圖，我們提取相關(guān)的子地圖和節(jié)點(diǎn)（圖4（b）中帶有紅色點(diǎn)圓的點(diǎn)）作為局部因子圖，在邊緣化子地圖和節(jié)點(diǎn)后，前鄰居形成一個(gè)消去團(tuán)，使圖變得稠密（圖4（c））。

圖4，舉例說(shuō)明了基于Chow–Liu最大互信息生成樹的圖稀疏化。（a） 未移除子地圖的原始位姿圖，（b） 選擇中央子地圖及其節(jié)點(diǎn)進(jìn)行修剪。紅色虛線圓圈突出顯示具有藍(lán)色矩形約束的相關(guān)子地圖和節(jié)點(diǎn)。（c） 邊緣化后的結(jié)果，它們的前鄰居形成了一個(gè)消去團(tuán)，使得位姿圖變得稠密（d） 由消除團(tuán)的Chow–Liu樹近似得出的結(jié)果。（e） 將消除后并到原始姿勢(shì)圖中

實(shí)驗(yàn)

A.實(shí)驗(yàn)設(shè)置和數(shù)據(jù)集

圖5，該清潔機(jī)器人配備了一臺(tái)TiM571 2D激光雷達(dá)，它配備了用于航位推算的編碼器和HI219M AHRS（帶車載3-aixs加速計(jì)、3-aixs陀螺儀和3-aixs羅盤）。Intel SR300 RGBD攝像頭用于感知和避障

為了驗(yàn)證我們的算法，我們?cè)诔胁渴鹆艘粋€(gè)三輪清潔機(jī)器人，如圖5所示。包括定位、導(dǎo)航和感知在內(nèi)的算法模塊在配備Intel i5-4300M CPU和8G內(nèi)存的工業(yè)計(jì)算機(jī)上執(zhí)行，在一個(gè)月的時(shí)間里，機(jī)器人以隨機(jī)的起始位置在室內(nèi)環(huán)境中執(zhí)行清潔任務(wù)，我們選擇位于中國(guó)北京的一家超市作為實(shí)驗(yàn)地點(diǎn)，因?yàn)樗娜肆鳌⒁苿?dòng)的手推車、貨物等高度動(dòng)態(tài)，這對(duì)任何定位算法的準(zhǔn)確性和穩(wěn)定性都是一個(gè)巨大的挑戰(zhàn)。由于測(cè)試數(shù)據(jù)對(duì)于設(shè)計(jì)更魯棒的定位系統(tǒng)非常有價(jià)值，因此我們將其作為數(shù)據(jù)集收集并發(fā)布，以加速長(zhǎng)期SLAM研究。數(shù)據(jù)集中的場(chǎng)景包括市場(chǎng)、車庫(kù)和辦公室，由2D激光雷達(dá)（Sick TiM571）和3D激光雷達(dá)（RoboSense RS-LiDAR-16）記錄，數(shù)據(jù)集還記錄其他傳感器數(shù)據(jù)，包括車輪編碼器和IMU，對(duì)于每個(gè)數(shù)據(jù)序列，我們仔細(xì)校準(zhǔn)了設(shè)備內(nèi)部的外部信息，特別是激光雷達(dá)和里程計(jì)之間的轉(zhuǎn)換，我們還以10 Hz的頻率提供了真值姿態(tài)，通過(guò)將激光雷達(dá)掃描與預(yù)先構(gòu)建的一致地圖進(jìn)行比較。

B.算法評(píng)估

圖12顯示了實(shí)驗(yàn)結(jié)果，（a） （b）（c）是從市場(chǎng)收集的，每列中的左上角圖像和右上角圖像顯示在不同時(shí)間捕獲的大致相同的位置。左下方和右下方的圖像顯示了相應(yīng)的地圖更新結(jié)果。應(yīng)該注意的是，地圖的外觀與子地圖不同，因?yàn)闉榱朔奖悴榭?#xff0c;我們將子地圖切片連接到單個(gè)占用柵格地圖中，此外，我們?cè)谲噹?kù)場(chǎng)景中測(cè)試了我們的算法，（e）（f）（g）顯示了結(jié)果。圖6顯示了在市場(chǎng)上運(yùn)行一個(gè)月后地圖變化的結(jié)果。（a） 是地圖階段的預(yù)構(gòu)建地圖，（b）是基于（a）的更新地圖。

圖12，環(huán)境變化實(shí)例及相應(yīng)的地圖更新實(shí)驗(yàn)。（a）、（b）和（c）中的結(jié)果來(lái)自市場(chǎng)。（d）、（e）和（f）來(lái)自車庫(kù)

圖6 顯示了在超市里運(yùn)行一個(gè)月后地圖變化的結(jié)果。（a） 是建圖階段的預(yù)構(gòu)建地圖，（b）是基于（a）的更新地圖，我們比較這兩種地圖之間的差異如（c）所示。

圖7，25個(gè)超市數(shù)據(jù)的定位測(cè)試結(jié)果，每個(gè)算法左上角的百分比值為MRCL，右下角的百分比值為CRI

? 長(zhǎng)期SLAM在多次地圖更新后的定位表現(xiàn)

總結(jié)

為了解決現(xiàn)實(shí)世界中的環(huán)境變化問(wèn)題，我們提出了一個(gè)完整的可長(zhǎng)期運(yùn)行的SLAM框架，該方法利用多個(gè)定位會(huì)話和地圖更新策略，可以跟蹤場(chǎng)景變化并獲得最新地圖，提出了一種基于子地圖稀疏化方法，長(zhǎng)期SLAM圖的復(fù)雜性，經(jīng)過(guò)15次地圖更新后，節(jié)點(diǎn)和子貼圖的數(shù)量大致保持不變，計(jì)算負(fù)載隨地圖更新25次而變化，在Chow-Liu最大互信息生成樹上平衡計(jì)算復(fù)雜度和定位精度，一個(gè)多月來(lái)，在真實(shí)的超市中全面驗(yàn)證了我們的方法，實(shí)驗(yàn)表明，該方法在實(shí)際應(yīng)用中具有一定的實(shí)用價(jià)值，此外，我們發(fā)布了我們的終身SLAM數(shù)據(jù)集，以加速這些場(chǎng)景中健壯的SLAM研究，然而，我們的方法目前沒(méi)有考慮到環(huán)境的意外急劇變化，更改可能會(huì)導(dǎo)致定位漂移，因?yàn)閭魅霋呙椟c(diǎn)云和地圖之間沒(méi)有有效的約束度量，在未來(lái)，我們計(jì)劃探索更健壯的定位算法來(lái)解決這個(gè)問(wèn)題。

資源

三維點(diǎn)云論文及相關(guān)應(yīng)用分享

【點(diǎn)云論文速讀】基于激光雷達(dá)的里程計(jì)及3D點(diǎn)云地圖中的定位方法

3D目標(biāo)檢測(cè)：MV3D-Net

三維點(diǎn)云分割綜述（上）

3D-MiniNet: 從點(diǎn)云中學(xué)習(xí)2D表示以實(shí)現(xiàn)快速有效的3D LIDAR語(yǔ)義分割（2020）

win下使用QT添加VTK插件實(shí)現(xiàn)點(diǎn)云可視化GUI

JSNet：3D點(diǎn)云的聯(lián)合實(shí)例和語(yǔ)義分割

大場(chǎng)景三維點(diǎn)云的語(yǔ)義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規(guī)模點(diǎn)云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云標(biāo)記

點(diǎn)云的超體素(SuperVoxel)

基于超點(diǎn)圖的大規(guī)模點(diǎn)云分割

更多文章可查看：點(diǎn)云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動(dòng)泊車系統(tǒng)中的語(yǔ)義SLAM

【點(diǎn)云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機(jī)

AR設(shè)備單目視覺(jué)慣導(dǎo)SLAM算法綜述與評(píng)價(jià)

SLAM綜述(4)激光與視覺(jué)融合SLAM

Kimera實(shí)時(shí)重建的語(yǔ)義SLAM系統(tǒng)

SLAM綜述(3)-視覺(jué)與慣導(dǎo)，視覺(jué)與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

SLAM綜述之Lidar SLAM

基于魚眼相機(jī)的SLAM方法介紹

掃描下方微信視頻號(hào)二維碼可查看最新研究成果及相關(guān)開源方案的演示：

如果你對(duì)本文感興趣，請(qǐng)點(diǎn)擊“原文閱讀”獲取知識(shí)星球二維碼，務(wù)必按照“姓名+學(xué)校/公司+研究方向”備注加入免費(fèi)知識(shí)星球，免費(fèi)下載pdf文檔，和更多熱愛(ài)分享的小伙伴一起交流吧！

以上內(nèi)容如有錯(cuò)誤請(qǐng)留言評(píng)論，歡迎指正交流。如有侵權(quán)，請(qǐng)聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)吧！期待有想法，樂(lè)于分享的小伙伴加入免費(fèi)星球注入愛(ài)分享的新鮮活力。分享的主題包含但不限于三維視覺(jué)，點(diǎn)云，高精地圖，自動(dòng)駕駛，以及機(jī)器人等相關(guān)的領(lǐng)域。

分享及合作：群主微信“920177957”（需要按要求備注） 聯(lián)系郵箱：dianyunpcl@163.com，歡迎企業(yè)來(lái)聯(lián)系公眾號(hào)展開合作。

點(diǎn)一下“在看”你會(huì)更好看耶

總結(jié)

以上是生活随笔為你收集整理的在多变环境中长期定位和建图的通用框架的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。