LLOAM: LiDAR Odometry and Mapping with Loop-closure Detection Based Correction

Abstract

在LOAM的基础上加入了回环检测,实现了雷达SLAM的前端、回环检测、后端全局优化的完整框架。

Introduction

提出了一种基于点云分割匹配的回环检测模块和一种基于全因子图的三维激光雷达SLAM优化后端。前端分为两个部分,第一部分为特征点提取和帧间匹配,以至于可以得到两帧之间的位姿变换关系。如果IMU数据可用,可以通过线性插值的方法修正运动畸变。第二部分为分割点云,并用外形描述子描述分割的点云簇,并储存到本地点云。将储存的分割出的点云作为回环检测的目标,匹配当前获得的点云。后端基于一系列位置和前端计算的相对位置变换建成因子图,计算相对变换作为约束发送给后端。后端优化一系列位置使之满足约束。

Method Description

LiDAR Odometry and Mapping

在这里插入图片描述
简化表面光滑度的计算,通过计算10个点向量和的范数估算光滑度。
特征点选择策略:

  1. 光滑度c大于或小于临界值。

  2. 被选为特征点的周围点不再被考虑。

  3. 为避免噪声干扰,太近的点不被考虑。

  4. 通过计算点i、雷达坐标系点、和i前后相邻的两个点构成的两个三角形的边缘长度,消除平行于激光束的表面上的点和遮挡区域边界点。

Segment Based Loop-closure Detection

原始输入点云首先由体素网格表示以滤除噪声点,然后通过移除那些垂直均值和方差满足预设阈值的体素来移除地面点,再通过欧洲聚类得到一系列分割的点云 。
对每个分割点云 进行特征提取,用特征向量表示,每个元素表示一个局部或者全局的描述方法。文章[26]提供了21个描述字,其中7个是基于特征值的,分别是点云的局部线性、平面性、散射、各向异性、全方差、特征熵和曲率变化。通过计算分割物体中的点到质心的差值,可以得到三维结构张量和特征值。七个描述子分别为:

在这里插入图片描述
文章[27]提供了10种直方图描述子,通过外形函数D2,D3,A3来计算,D2表示随机选择的两点之间的距离,D3表示随机选择的三点构成的三角形的面积。A3编码随机选择的三个点构成的两条线之间的夹角。
使用集成学习方法随机森林为当前分割的点云匹配源点云。计算两个分割的特征向量之间的绝对误差来确定匹配的精度。

Graph Optimization

因子图优化:节点表示前端获得的地标和位置,节点之间的边表示获得的约束。雷达的运动观测包含随机噪声,所以图中的节点值服从柯西分布。优化的过程为通过调整节点的值最大化概率图模型的联合概率。优化的方法通常为非线性方法。举例如图所示,通过对的观测得知 应该为同一点,则建立与之间的约束,一系列节点将被修正。
在这里插入图片描述

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐