适用于手持式设备与机器人搭载的3D LiDAR建图框架

文章：Lifelong 3D Mapping Framework for Hand-held & Robot-mounted LiDAR Mapping Systems

作者：Liudi Yang, Sai Manoj Prakhya, Senhua Zhu and Ziyuan Liu

编辑：点云PCL

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。

文章未申请原创，未经过本人允许请勿转载

摘要

本文提出了一种模块化、云原生设计的长期3D建图框架，其核心优势在于同时支持手持式设备与机器人搭载的3D LiDAR建图系统。该框架包含动态点移除、多会话地图对齐、地图变化检测和地图版本控制四大模块。首先与传感器配置无关的动态点移除算法可为手持式设备与机器人系统构建干净的静态3D地图。其次多会话地图对齐通过基于特征描述符匹配和精细配准的两阶段方法，无需人工参数调优即可自动将多张静态地图对齐至统一参考系。第三创新的地图变化检测模块可识别对齐地图间的正负变化。最后地图版本控制模块维护代表环境当前状态的单一基准地图，存储检测到的正负变化及边界信息。独特的地图版本控制系统无需存储原始输入地图，即可重构任意历史会话地图并支持用户查询任意两次建图会话间的差异。通过手持式商用LiDAR设备和开源机器人LiDAR SLAM算法进行了大量实验，验证了各模块及整体框架的性能。

主要贡献

目前开源SLAM算法与商用建图方案可生成高精度单会话3D地图，但环境随时间持续变化会降低地图实用性。因此通过长期3D建图定期更新地图对长期机器人运行、数字孪生仿真、长期规划及环境时空变化分析至关重要。现有基于LiDAR的终身SLAM/建图/定位研究仅关注部分模块或提出稠密集成的在线机器人定位方案，这些方案依赖定制化位姿图优化、闭环检测等算法，无法泛化至不同传感器配置与环境。

单会话LiDAR 3D地图（10GB至200GB）存在三大问题：包含建图过程中的动态物体、参考系因初始位姿差异不统一、存储冗余数据量大。为此，本文提出一种与传感器配置无关的模块化终身3D建图框架，包含动态点移除、多会话地图对齐、地图变化检测和地图版本控制。如图1所示，系统处理含噪声的输入地图，允许用户检索任意干净会话地图并查询会话间差异，且无需存储大内存输入地图，显著提升存储效率。该框架具有以下创新贡献： 1. 与传感器配置和LiDAR运动无关的通用动态点移除方法，以及基于超参数网格搜索的两阶段多会话地图对齐算法； 2. 通过重叠区域估计与2D鸟瞰图（BEV）描述符检测正负地图变化的方案； 3. 基于检测差异更新基准地图的版本控制系统，支持重构历史会话地图与查询会话间变化，且无需存储原始3D地图。

主要内容

如图1所示，系统流程如下：输入地图经动态目标移除与自动多会话对齐后，变化检测模块识别正负差异，版本控制模块更新基准地图。用户可下载历史会话地图或查询会话间变化。

图 1. 用户可以将从任何来源收集的多会话 3D 地图上传到我们提出的长期 3D 地图建图框架。该系统执行动态对象移除、多会话地图对齐、地图更改检测和地图版本控制。它允许用户检索任何干净的会话地图或查询任何两个会话之间的更改，所有这些都无需存储占用大量内存的输入会话地图。

完整工作流程

工作流如图4所示，系统接收多会话地图输入，每张3D地图由位姿与点云构成。假设随时间上传n+1个会话地图session map(t)（t=0,1,...,n）：

• 初始化（图4a）：首个会话地图session map(t0)经动态目标移除生成干净地图，作为初始基准地图base map(t0)。
• 迭代更新（图4b）：当前基准地图base map(t)与新会话地图session map(t+1)输入系统。新地图经动态移除生成干净版本，并与基准地图对齐。变化检测模块输出负差异base ND(t)与正差异session PD(t+1)。版本控制模块更新基准地图至base map(t+1)，存储差异与边界信息，释放新会话地图内存。

图 4. 完整工作流程说明。（a）基础地图初始化。灰点为静态，红点为动态。（b）会话地图（t + 1）

1

动态目标移除

如图2所示，流程如下：

• 子图构建：拼接10-50帧LiDAR扫描生成子图；
• 平面检测：基于RANSAC回归多个平面，将最大平面（通常为地面或建筑立面）加入静态地图；
• 比例筛选：若其他平面点数占比超阈值，则加入静态地图以填补孔洞；
• 后处理：通过K-NN投票、统计离群点移除与径向滤波进一步优化静态地图。

图 2. 本文提出的与传感器设置无关的动态点移除方案。我们创建一个子图，回归多个平面，并根据比率检查将它们添加回来，以填补 OctoMap 中的残差洞。然后执行基于径向搜索的后处理，以进一步提高静态地图的质量。

2

多会话地图对齐

采用两阶段配准：

• 初始对齐：通过PCA-SHOT描述符匹配与RANSAC计算初始变换；
• 精细配准：使用NDT优化对齐，参数包括分辨率NDTr与步长NDTss，基于网格搜索选择Chamfer距离最小的参数组合。

3

地图变化检测

输入基准地图base map(t)与对齐会话地图session map(t+1)，流程如下：

• 空间过滤：通过k-NN径向搜索分离共存点coexist(t+1)与差异点base diff(t)、session diff(t+1)；
• 重叠区域分析：对差异点再次进行径向搜索，分离重叠与非重叠区域；
• BEV描述符：将3D点云投影至2D网格生成BEV图像，通过像素强度差异检测正负变化。

图3. 地图变化检测 - 给定基础地图(t)和会话地图(t+1)，地图变化检测识别出负差异基础ND(t)和正差异会话PD(t+1)。负差异是指在基础地图中存在但在会话地图中消失的物体，而正差异是指在会话地图中新增的地图数据。

4

地图版本控制

地图版本控制系统有两个主要功能：它可以重建任何以前的干净会话地图，并提供任意两个选定会话之间的变化，而无需存储输入的会话地图。它的输入是来自地图变化检测的正向和负向差异，并根据这些差异更新基础地图以表示当前环境状态。该系统存储这些正向和负向差异，以促进地图版本控制的前进，即更新基础地图，此外，为了允许重建以前的会话地图，它使用点云库（PCL）中的凸包滤波器计算并保存每个新会话地图的边界。

实验

动态目标移除

在SemanticKITTI数据集上，本方法静态点保留率（PR）达0.95，较ERASOR提升5-7%；F1分数提升2-3%。图6显示，本方法在手持设备数据中精确移除动态目标（如行人），而ERASOR误检静态树木。

图6. 在SemanticKITTI和XGrid数据集上的动态物体移除。蓝色点为静态点，红色点为动态点。放大后可以清楚地看到我们提出的方法比ERASOR表现更好，能够有效去除X-Grid-Outdoor数据集上的人类轨迹和动态物体。ERASOR由于高内存和计算需求，无法处理每一帧，导致每个数据集上的地图更加稀疏。

多会话地图对齐

在LT-ParkingLot等数据集上，本方法的平均Chamfer距离优于LT-Mapper、ICP与NDT。如图5所示，多会话对齐在重复结构场景（如停车场）中表现鲁棒。

图5. 在多个数据集上进行多会话地图对齐的结果，使用不同的局部坐标系，高度差异被添加以可视化并区分不同的轨迹。

地图变化检测与版本控制

在XGrid-Parking等数据集中： 定性评估：图7展示系统准确移除消失物体（如车辆）并添加新物体（如树木）； 定量评估：正负差异检测精度显著高于KNN与PCL-OC方法； 内存效率：存储开销较原始地图减少40-94%，长期建图优势显著。

图7. 在XGrid-Outdoor、LT-ParkingLot和Synthetic数据集上进行地图变化检测的可视化。

总结

本文提出了一种通用、模块化且与传感器无关的长期3D建图框架，支持手持与机器人LiDAR设备。动态目标移除生成干净地图，多会话对齐实现自动配准，变化检测与版本控制实现高效地图管理。未来计划引入开放世界目标检测与多模态模型，提升语义理解能力。