动态的城市环境中杆状物的提取建图与长期定位

文章：Pole-like Objects Mapping and Long-Term Robot Localization in Dynamic Urban Scenarios

作者：Zhihao Wang, Silin Li, Ming Cao, Haoyao Chen* and Yunhui Liu

编译：点云PCL

来源：arXiv 2021

代码：http://www.github.com/HITSZ-NRSL/long-term-localization.

摘要

三维点云数据定位对于无人驾驶车辆来说是一项具有挑战性的任务，尤其是在长期动态的城市场景中，由于其通用性和长期稳定性，杆状物非常适合作为动态场景下无人机器定位的标志。本文则提出了一种基于语义聚类图的纯激光雷达长期定位算法。首先，使用卷积神经网络（CNN）来推断激光雷达点云的语义。结合点云分割，提取场景中的长期静态目标杆状物，并将其配准到语义聚类地图中。当无人驾驶车辆再次进入环境时，通过将定位地图的聚类物与全局地图的标志物相匹配来完成重新定位。此外，局部和全局地图之间的连续匹配稳定地输出2Hz的全局姿态，以校正三维激光雷达里程计的漂移。该方法在不维护高精度点云地图的情况下，实现了长期场景下的定位。在校园数据集上的实验结果表明，与目前最先进的定位方法相比，该方法具有更好的定位精度。本文代码开源于：http://www.github.com/HITSZ-NRSL/long-term-localization.

主要贡献

路灯、建筑杆和树干等杆状物体在城市中随处可见，它们在季节和天气变化下具有长期稳定性和不变性，其几何形状定义良好，这些优点使杆状对象适合作为标志物，以实现准确可靠的重新定位。因此，提出了一种基于语义聚类的方法，用于城市动态环境中的长期再定位，该方法依赖于从移动LiDAR数据中提取杆状物路标。

据我们所知，这项工作是第一项在长期场景中仅使用3D激光雷达提取杆状物体进行位置识别和定位的工作。综上所述，本文的主要贡献有三个方面：

• 为了解决这一长期挑战，提出了一种从原始三维激光雷达点提取杆状物体语义簇并创建鲁棒语义点云聚类地图的方法
• 提出了一种基于几何一致性的语义聚类关联算法，用于无人机在长期场景中的重新定位基于鲁棒语义聚类再定位模块
• 开发了一个长期实时定位系统。

图1 移动平台以及长期定位方案系统

主要内容

实验机器系统如图1（a）所示。RS Ruby Lite 3D激光雷达具有80个激光束，垂直视场（FOV）为40◦ 水平视场360度◦. 惯性传感器MTi-100还配备了无人机MR1000。全球导航卫星系统（GNSS）/惯性导航系统（INS）被用作比较的地面实况。该系统在采用Intel Core i7-7820HK的笔记本电脑上进行了验证CPU@2.90GHz在机器人操作系统（ROS）上。

长期定位系统的框架如图1（b）所示。通过CNN直接获取点云的语义标签，提取杆状物体的语义簇。然后，利用SLAM模块获得的六自由度姿态，在全局语义聚类地图中配准杆状物体的语义地图。当无人机重新进入已建立全局语义聚类图的环境时，利用SLAM模块的姿态和当前帧的语义聚类建立局部语义聚类图。然后，提出了一种基于语义标签和语义簇几何结构的语义簇关联算法，用于计算局部和全局语义簇地图之间的姿态变换。再定位模块包括语义集群配准和关联。再定位模块持续运行并稳定输出2Hz的全局姿态，以校正激光雷达里程计的漂移。经过漂移校正后，将实时发布精细的6自由度姿势。机器人的高精度定位是在长期动态场景中实现的，无需维护高精度的点云地图。

A、 语义点云聚类提取

卷积神经网络RangNet++用于点云的语义分割。在自制的校园数据集上对激光雷达点云的语义标签进行标注，并对RangNet++网络进行再训练以推断点云的语义标签。基于rangeimage的方法用于根据语义标签将点云分割成点云簇。对于每个聚类，考虑到点云语义分割的不完善性，聚类标签由聚类中点标签的统计数来投票。最后，得到了两类语义点云簇，即杆状物和杆状物极点。由于语义集群地图和每个语义集群都需要频繁访问，因此需要设计语义集群管理器来有效管理集群的各种属性和操作。管理器包括三维质心点、二维质心点和几个属性，如标签、ID、点云和内存地址。存储器结构如图2所示

图2：语义集群管理器的内存结构。每行中的三个点表示连续的内存块，三维点云质心是簇中所有点在三维中的平均位置，二维质心是通过将三维质心投影到XY平面获得的

B、 聚类语义点云的配准

语义点云簇的配准将构建一个地图，该地图包括两种类型：全局语义点云簇地图和局部语义点云簇地图。全局地图表示历史环境中类似极点的物体的几何信息，例如几个月前的环境，局部地图表示当前环境的几何信息。由于全局地图需要将从t0到tn的每个帧的点云簇配准到全局地图中，其中t0和tn是开始帧和结束帧的时间戳，局部语义聚类地图仅使用t0 处当前帧的聚类进行关联。

图3 配准的3D点云语义聚类图如图所示。集群主要包括杆状物极点和杆状物，它们垂直于环境中的水平面。因此，2D质心点能够表示簇的几何信息，并配准到杆状物地图中。配准的2D语义簇质心是3D质心的XY平面投影，如图（b）所示

算法1给出了语义聚类关联算法。语义聚类关联的匹配结果示例如图3（c）和（d）所示

D、 长期重定位

算法1用于将局部地图中的点云语义簇与全局地图中的点云语义簇进行匹配，并提供n对语义簇匹配对。设ci=（Cli；Cgi）表示语义簇的匹配对。从点云语义簇关联算法获得的语义簇匹配对是粗略对应。因此，将使用几何一致性方法来消除假阳性匹配对，并最终保持良好的对应关系。更为详细的描述请查看论文原文。

图5：长期定位过程，fWg表示世界帧，fLg表示激光雷达帧

实验

为了在城市场景中评估所提出的重定位和定位算法，在自制的校园数据集上进行了一些实验。值得注意的是，Carlevaris Bianco在长期定位场景中提出了NCLT数据集，但NCLT数据集中的Velodyne32激光雷达安装颠倒，这使得实际的激光雷达点云稀疏度等于Velodyne16激光雷达。虽然该方法是基于稠密激光雷达点云的语义分割，但NCLT数据集不能满足我们的要求。因此，在自制的数据集上，将所提出的方法与SCI算法进行了比较，SCI算法是最先进的基于激光雷达的长期定位系统。

图6：数据集环境。左图比右图早几个月，不同之处在于路上的汽车、不同形状的树木以及照明条件

城市环境定位的挑战是环境变化，因此，自制的数据集记录了交通量大、植被茂密的大学城环境中的数据。环境如图6所示

图7显示了标签工具PointLabeler标注的语义点云示例

长期定位精度

SCI算法重定位的成功率分为两类，即最高评分帧和前5评分帧的成功率。在每个数据集上选择120个位置进行再定位实验，并如图8所示进行分布。

图8：重定位实验的位置分布，红色方块表示选定的位置

聚类点云配准和关联的参数如表二所示。重定位的成功率如表III所示。每个单元的左侧数代表120个实验中成功的重定位数，每个单元的右侧数代表成功率。结果表明，在自制的数据集上，该算法的成功率高于SCI算法

图9（a） 重定位成功概率与行驶距离的结果，青色实线表示重定位成功概率，点线表示不同的概率度量。（b） 在不同集稠密度下，重定位成功概率与移动距离的关系。C/m是密度的单位，表示每米语义点云簇的数量。

长期定位实验的评估主要是比较激光雷达里程计的位置估计精度。数据集2020-10-05用于构建全局点云语义聚类图，其他三个数据集用于创建本地语义聚类地图，以进行长期定位。使用均方根误差（RMSE）度量进行评估，并将所提出的长期定位系统和LOAM的结果与真值进行比较。结果如表IV所示。所提出的方法不需要利用IMU数据进行再定位和定位，因此它与LOAM进行了比较，而不是与LIO-SAM进行了比较

由于LOAM仅依赖激光雷达里程计，由于里程计的累积误差，RMSE相对较大。该方法采用基于点云语义聚类图的重定位算法对累积误差进行校正，激光里程计帧间位置估计准确，因此所提出的长期定位系统的RMSE较小。以数据集2020-11-05为例，图10（a）显示了真值、LOAM和拟提出方法的轨迹，图10（b）显示了x、y、z位置误差

图10：（a） 真值、LOAM和提出的长期定位系统的轨迹。（b） 在时间窗口内沿x-y-z轴的位置误差

总结

为了在城市环境中实现高精度的重定位和实时定位，提出了一种基于点云的语义聚类图的重定位方法，为了解决这一长期定位的挑战，通过从原始三维激光雷达点中提取杆状物体，构建了一个鲁棒的语义聚类地图，提出了一种基于几何一致性验证的点云语义聚类关联算法，实现了局部聚类地图与全局聚类地图之间的姿态变换估计，基于重定位模块和激光雷达里程计开发了一套长期实时定位系统。最后，通过实验验证了该方法的有效性。在未来的工作中，我们将扩展到在长期环境中使用更多的对象，并使其更加通用，而不是严重依赖杆状对象。