Light-LOAM: 基于图匹配的轻量级激光雷达里程计和地图构建
Light-LOAM: 基于图匹配的轻量级激光雷达里程计和地图构建
文章：Light-LOAM: A Lightweight LiDAR Odometry and Mapping based on Graph-Matching
作者：Shiquan Yi, Yang Lyu Member, IEEE, Lin Hua, Quan Pan Member, IEEE, Chunhui Zhao
编辑：点云PCL
开源：https://github.com/BrenYi/Light-LOAM
欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。
公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。侵权或转载联系微信cloudpoint9527。
摘要
将SLAM应用于机器人应用中，可靠性和效率是两个最受重视的特性。本文考虑在计算能力有限的平台上实现可靠的基于激光雷达的SLAM功能。首先与大多数选择点云配准的显著特征的方法相反，我们提出了一种非显著特征选择策略，以提高可靠性和鲁棒性。然后使用两阶段对应选择方法来配准点云，其中包括基于KD树的粗匹配，然后是一种基于图的匹配方法，它使用几何一致性来排除不正确的对应关系。此外提出了一种里程计方法，其中权重优化是由前述的几何一致性图的投票结果引导的。通过这种方式，激光雷达里程计的优化迅速收敛，评估出一个相当准确的变换结果，从而使后端模块能够高效完成地图任务。最后，我们在KITTI测距数据集和实际环境中评估了我们提出的框架。实验表明，与主流的基于激光雷达的SLAM解决方案相比，我们的SLAM系统在精度方面达到了相对水平或更高水平，同时在计算效率上取得了更好的平衡。
图1.不同数据关联方法在两个连续扫描之间的特征点对齐。(a) 某种情景的点云扫描。(b) K最近邻方法。(c) 基于图形的两阶段匹配方法。
主要贡献
在本文中，我们考虑在计算能力有限的机器人平台上实现可靠的基于LiDAR的SLAM功能。贡献主要有：
- 首先是开发了一种创新的SLAM前端，包括一个非显眼的特征选择策略和一个基于图形的特征匹配函数，以实现更好的点云配准。
- 其次，为了从前端的可靠配准中受益，我们开发了一个轻量级的后端，可以在计算能力有限的平台上更高效地执行。我们使用公共数据集和自行收集的数据进行实验验证。
- Light-LOAM实现将开源，github地址为：https://github.com/BrenYi/Light-LOAM。
内容概述
在图2中呈现了Light-LOAM SLAM系统的流程，它由三个核心阶段组成：预处理、两阶段特征匹配和姿态估计。
图2. Light-LOAM系统概述
在预处理阶段，我们首先从每个点云扫描中过滤掉不相交的点。为了选择具有微妙的局部几何属性的稳定角点和平面特征，我们采用了一种不显眼的选择方法，并过滤掉最显著的角点和平面特征。然后进行两阶段特征匹配过程。在第一阶段采用了基于KD-Tree的方法来建立选定特征的初始对应关系。然后，我们引入了基于图的一致性投票机制来评估这些对应关系，有效地过滤掉不可靠的关联。移动到前端里程计模块，可靠点对的一致性分数被用来优化变换，从而得到初始的、相对精确的姿态估计。最后在这些初始可靠的估计的支持下，建图模块以更高效的方式优化更准确的姿态。
特征提取与选择
鉴于3D LiDAR传感器产生的大量数据，特征提取和基于特征的对齐是用于有效评估变换的广泛采用的方法。然而，在提取特征候选对象之前，必须消除不连续的对象。不连续点通常代表离群值或遮挡对象的段，它们的包含可能会显著降低后续特征关联和位姿估计的质量。在消除不连续的对象之后，我们从每个激光束通道中提取特征点，点的局部几何属性使用平滑度指标来表征。传统的基于LiDAR的SLAM系统中，如LOAM、FLOAM、LEGO-LOAM，通常将感知空间分为几个子区域。从每个子区域中选择具有最高或最低平滑度属性的特征候选点，用于后续特征匹配。然而，我们的Light-LOAM SLAM系统引入了一种创新的非显著特征选择策略。如前所述，特征选择通常是根据一个区分性原则来引导的。但是，这些区分性特征是否真的具有高质量的优化样本并且能够稳定地用于数据关联？值得注意的是，一些异常值或遮挡的点可能具有高度区分性的几何属性。因此认为那些平滑度属性比最显著的特征稍弱的候选点可能更有价值且更稳定，可以用于数据关联。
图3. 基于图的两阶段特征匹配流程
基于图的两阶段特征匹配
从点云的上一次扫描和已构建的地图中识别相应的特征是后续扫描与扫描、扫描与地图的对齐的基本前提。KD树 是一种广泛使用的建立对应关系的方法，因为它在各种工作中的高效性和有效性得到了证明 。尽管它很常见，但由于点云中的环境遮挡、离群值和噪声，KD树容易出现错误，从而导致姿态估计不准确。如图4所示，可能出现这样的情况，即来自当前扫描的多个候选特征与上一次点云扫描中的同一点匹配为最近的对应点，导致虚假的多对一对应情况。为了减轻这些问题并减少虚假对应关系，我们引入了一种新颖的基于图的两阶段对应选择方法。
图4. 由KD树生成的初始特征对应关系示例。在每个对应关系中，红色点是当前扫描中的源特征，蓝色点是上一次扫描或地图中对应的目标对象。椭圆表示一次扫描的不正确数据关联。
一致性的激光雷达里程计
在激光雷达SLAM系统中，里程计对通过扫描帧到扫描帧的点云匹配来优化初始位姿至关重要。里程计模块通常提供高频但略显不精确的姿态估计，作为建图模块的初始输入。里程计模块估计的更准确的初始变换可以加速最终机器人姿态估计的收敛，从而减少了建图后端计算成本。
轻量级激光雷达地图构建
建图模块通常是后端，用于处理精确的全局姿态估计，但频率较低。这里现在提出了一个精度和效率平衡的精简建图模块。
实验
为评估Light-LOAM SLAM系统的性能，这里进行了一系列实验，使用了KITTI测距数据集和真实环境。在KITTI数据集上进行了包括消融研究和精度评估在内的综合验证。为了定量评估我们的SLAM系统的精度并与其他方法进行比较，采用了绝对轨迹误差(ATE)度量。ATE度量衡量了由我们的系统生成的估计姿态与地面真值姿态值之间的差异。
为了评估我们先进的算法对Light-LOAM SLAM系统的影响，我们进行了对非显著特征选择算法和基于图的两阶段特征匹配方法的消融研究。在评估非显著特征选择方法时，可以将Our(a)视为带有非显著特征选择的LOAM系统。表III中的结果清楚地表明，非显著特征选择方法提高了Light-LOAM系统的位姿估计精度。这表明非显著选择策略增强了Light-LOAM选择更可靠特征样本的能力。
表II中的结果强调了使用基于图的特征匹配方法时里程计估计的位姿精度的提高。
如表I所示Light-LOAM系统在平均性能方面始终胜过其他系统，即使在具有挑战性的情景下，如KITTI数据集的序列01和02，Light-LOAM也保持其强大性能。
定位和地图性能结果如图7所示，显示出我们的地图结果具有高度准确性，并能够完成闭环检测。
总结
本文介绍了一种轻量级的LiDAR SLAM系统，名为Light-LOAM，它采用了基于图形匹配的技术，用于高效和准确的位姿估计。与传统的LOAM方法不同，我们提出了一种不引人注目的特征提取策略，以获取稳定的特征。基于图形的两阶段特征匹配方法评估了关联的一致性，过滤了不可靠的对应关系。一致性引导的里程计模块提供可靠的初始位姿估计，而轻量级的地图模块完成了定位和地图任务。在KITTI里程数据集和实际环境中的实验表明，Light-LOAM在准确性和效率方面优于最先进的解决方案，一致性图有效地过滤了异常的关联数据，实现了有限数量的特征样本的高质量位姿优化。
资源
自动驾驶及定位相关分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享