日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

基于增量平滑地圖的緊耦合激光雷達(dá)慣性里程計

2020-08-05 00:09:23·  來源：同濟(jì)智能汽車研究所  
　
編者按：自動駕駛車輛的研究可分為感知、定位、決策、規(guī)劃、控制等層面，其中定位的準(zhǔn)確性和精度直接決定了后續(xù)規(guī)劃算法的可行性，從而進(jìn)一步影響整個決策和對車
編者按：自動駕駛車輛的研究可分為感知、定位、決策、規(guī)劃、控制等層面，其中定位的準(zhǔn)確性和精度直接決定了后續(xù)規(guī)劃算法的可行性，從而進(jìn)一步影響整個決策和對車輛的控制過程。近年來，同時定位與建圖技術(shù)發(fā)展迅速，以激光雷達(dá)，慣性導(dǎo)航為主的多傳感器融合技術(shù)，使得自動駕駛主要場景下的定位精度能夠達(dá)到厘米級。本文提出了一種通過增量平滑地圖實現(xiàn)緊耦合激光雷達(dá)慣性里程計的框架LIO-SAM，它可實現(xiàn)高精度，實時的移動機(jī)器人軌跡估計和地圖構(gòu)建。
 
文章譯自：
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
文章來源：
IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS)
 
作者：
Shan, Tixiao and Englot, Brendan
原文鏈接：
https://arxiv.org/abs/2007.00258
 
摘要： LIO-SAM中激光雷達(dá)慣性里程計基于一個因子圖，其允許多個不同來源的相對或絕對測量值和回環(huán)等作為因子加入圖中。為了確保實時的高性能，我們邊緣化舊的激光雷達(dá)幀來優(yōu)化位姿，而不是將激光雷達(dá)幀匹配到全局地圖。。同時，選擇性地引入關(guān)鍵幀以及以有效的滑動窗口方法將新的關(guān)鍵幀注冊到固定大小的“子關(guān)鍵幀”先驗集合中，在本地范圍而不是全局范圍內(nèi)進(jìn)行掃描匹配可顯著提高系統(tǒng)的實時性能。最后，在從不同規(guī)模和環(huán)境的三個平臺收集的數(shù)據(jù)集上，對該方法進(jìn)行了廣泛的評估。
 
關(guān)鍵詞： 激光雷達(dá)；慣性導(dǎo)航；緊耦合；定位
 
1 前言
狀態(tài)估計，定位和建圖是成功的智能移動機(jī)器人的基本前提，也是進(jìn)行反饋控制，避障和規(guī)劃等許多其他功能的基礎(chǔ)。其中，使用基于視覺的和基于激光雷達(dá)的感知，已經(jīng)實現(xiàn)可支持移動設(shè)備的高性能實時同步定位于建圖（SLAM）機(jī)器人的六自由度狀態(tài)估計?；谝曈X方法通常使用單目或立體相機(jī)，在連續(xù)圖像中對特征進(jìn)行三角化以確定相機(jī)運動。盡管基于視覺的方法特別適合于位置識別，但是由于其對初始化，照明和尺度敏感使得僅使用相機(jī)來進(jìn)行自主導(dǎo)航系統(tǒng)并不可靠。另一方面，基于激光雷達(dá)的方法是在很大程度上對光照不敏感。隨著近距離遠(yuǎn)程高分辨率3D激光雷達(dá)（例如Velodyne VLS-128和Ouster OS1-128），激光雷達(dá)變得更適合直接捕捉3D空間中的環(huán)境的精細(xì)細(xì)節(jié)。因此，本文重點基于激光雷達(dá)的狀態(tài)估計和建圖方法。
在過去的二十年中，已經(jīng)提出了許多基于激光雷達(dá)的狀態(tài)估計和建圖方法。其中，在文獻(xiàn)[1]中提出的用于低漂移和實時狀態(tài)估計和映射的激光雷達(dá)測距和建圖（LOAM）方法是使用最廣泛的方法。LOAM僅使用一個激光雷達(dá)和一個慣性測量單元（IMU）表現(xiàn)最為出色，并且自從它在KITTI 里程計模塊發(fā)布以來就被評為基于激光雷達(dá)的頂級方法[2]。盡管如此，LOAM還是有一些局限性：因為數(shù)據(jù)被儲存在一個全局的體素地圖中，通常很難執(zhí)行閉環(huán)檢測并結(jié)合其他絕對測量值，例如GPS進(jìn)行位姿校正。當(dāng)體素地圖在多特征場景中變得稠密時，它的在線優(yōu)化過程變得低效。在大規(guī)模場景測試中，LOAM漂移較大，因為它的核心是基于掃描匹配的方法。
在本文中，我們通過增量平滑地圖實現(xiàn)了一個緊耦合的激光雷達(dá)慣性里程計框架LIO-SAM來解決上述問題。通過引入用于機(jī)器人軌跡估計的全局因子圖，我們可以使用激光雷達(dá)和IMU有效執(zhí)行傳感器融合，在機(jī)器人姿態(tài)中合并位置識別，并在可用時引入絕對測量，例如GPS定位和指南針航向。這些不同來源的因素集合用于圖的聯(lián)合優(yōu)化。此外，我們邊緣化舊的激光雷達(dá)幀用于位姿優(yōu)化，而不是像LOAM這樣匹配到全局地圖中。本地范圍而不是全局范圍的幀匹配可以顯著提高系統(tǒng)實時性，選擇性引入關(guān)鍵幀和有效的滑動窗口將新關(guān)鍵幀注冊到一組固定大小的方法之前的“子關(guān)鍵幀”。我們工作的主要貢獻(xiàn)可以總結(jié)如下：
1、在因子圖之上建立了緊耦合的激光雷達(dá)慣性里程計框架，其適用于多傳感器融合和全局優(yōu)化。
2、提出了一種有效的，基于本地滑動窗口的掃描匹配方法，通過將選定的新關(guān)鍵幀注冊到固定大小的先前子關(guān)鍵幀集，可以保證實時性。
3、所提出的方法通過各種規(guī)模，車輛和環(huán)境的測試得到了廣泛驗證。
 
 (a) 
 
(b)
圖1：我們提出的框架的代表性結(jié)果。（a）一名操作員攜帶傳感器套件，在MIT校園內(nèi)走來走去（b）僅使用激光雷達(dá)和IMU數(shù)據(jù)構(gòu)建的點云圖。顏色變化表示高程變化。
2 相關(guān)工作
激光雷達(dá)里程計通常通過使用掃描匹配方法（例如ICP[3]和GICP[4]）來找到在兩個連續(xù)幀之間進(jìn)行相對變換。相比于基于點云的匹配，基于特征的匹配方法計算效率較高。例如，在[5]中，提出了一種基于平面的實時激光雷達(dá)里程計。假設(shè)環(huán)境是結(jié)構(gòu)化的，它從點云中提取平面并通過解決最小二乘問題來進(jìn)行匹配。[6]中采用基于線匹配的方法來估算里程計。在這種方法中，線段是從原始點云隨機(jī)生成的并用于配準(zhǔn)。但是，由于3D激光雷達(dá)的旋轉(zhuǎn)，得到的點云經(jīng)常會發(fā)生畸變。所以，僅使用激光雷達(dá)進(jìn)行位姿估計并不理想，因為使用畸變的點云或者特征點云進(jìn)行配準(zhǔn)會導(dǎo)致較大的漂移。
因此，激光雷達(dá)通常與其他傳感器比如IMU和GPS等，一起用于位姿估計與建圖。這種利用傳感器融合的設(shè)計方案通常分為兩類：松耦合和緊耦合。在LOAM中，IMU用于去除點云畸變，并為幀間配準(zhǔn)提供先驗運動信息。但是IMU并未參與算法后端優(yōu)化。因此，LOAM可以被歸為松耦合方法。文獻(xiàn)[7]中提出了一種針對車輛輕型的地面優(yōu)化的激光雷達(dá)里程計和制圖方法（LeGO-LOAM）。它對于IMU的耦合與LOAM類似。一個更加流行的松耦合方法是使用卡爾曼濾波（EKF）。例如[8]-[12]集成了來自于激光雷達(dá)、IMU、選擇性地加入GPS信息，使用EKF進(jìn)行機(jī)器人位姿估計。
緊耦合的方法通?？梢蕴峁└叩木龋⑶页蔀榱水?dāng)前研究的重點[13]。在[14]中，IMU預(yù)積分被用于校正點云畸變。[15]中提出以機(jī)器人為中心的激光雷達(dá)慣性狀態(tài)估計方法R-LINS。R-LINS使用錯誤狀態(tài)卡爾曼濾波器以緊耦合的方式來遞歸地糾正機(jī)器人的狀態(tài)估計。由于缺乏其他可用的狀態(tài)估計的傳感器，在長距離的行駛中會出現(xiàn)漂移。[16]中介紹了緊耦合激光雷達(dá)慣性里程計和制圖框架LIOM。LIOM，是LIO-mapping的縮寫，LIO-mapping聯(lián)合優(yōu)化了激光雷達(dá)和IMU的測量值，與LOAM相比，達(dá)到了相似或更好的精度。由于LIOM旨在處理所有傳感器測量值，無法實現(xiàn)實時性。在我們的測試中，它的實時性約為0.6倍。
 
3 基于增量平滑地圖實現(xiàn)激光雷達(dá)慣性里程計
A系統(tǒng)概述
首先定義文中要用到的坐標(biāo)系和符號。W：世界坐標(biāo)系；B：載體坐標(biāo)系。同時假設(shè)IMU坐標(biāo)系與載體坐標(biāo)系一致。機(jī)器人狀態(tài)x可以被表示為：
 
其中，是旋轉(zhuǎn)矩陣，是位置向量，是速度，b是IMU的偏置。從坐標(biāo)系B到坐標(biāo)系W的轉(zhuǎn)換矩陣為，被表示為T=[R|p]。
 
 
 
系統(tǒng)概述如圖2所示。該系統(tǒng)從3D激光雷達(dá)，IMU和可選的GPS中接收傳感器信息。我們試圖用這些傳感器的測量結(jié)果來估計機(jī)器人的狀態(tài)和軌跡。這個狀態(tài)估計問題可以表述為最大后驗（MAP）問題。我們使用因子圖來將問題建模，與貝葉斯網(wǎng)絡(luò)相比，它更適合推理。假設(shè)符合高斯噪聲模型，我們的問題的MAP推論是等效于解決非線性最小二乘問題[17]。在不失一般性的前提下，系統(tǒng)可以還合并了其他傳感器的測量值，例如高度計的高度或指南針的方向。
 
圖2：LIO-SAM的系統(tǒng)結(jié)構(gòu)。該系統(tǒng)接收3D激光雷達(dá)，IMU和GPS（可選）的輸入。引入了四種類型的因子來構(gòu)建因子圖：（a）IMU預(yù)積分因子（b）激光雷達(dá)里程計因子（c）GPS因子和（d）回環(huán)因子。這些因素的產(chǎn)生將在第三部分中討論。
我們介紹四種類型的因子以及一種用于構(gòu)造因子圖的變量類型。這個變量代表特定時間的機(jī)器人狀態(tài)，并用圖的節(jié)點表示。四種類型的因素是：（a）IMU預(yù)積分因子，（b）激光雷達(dá)里程計因子，（c）GPS因子，和（d）回環(huán)因子。當(dāng)機(jī)器人的位姿變化超過了用戶定義的閾值，一個新的機(jī)器人狀態(tài)節(jié)點x將會被添加到圖中。在插入新節(jié)點時使用貝葉斯樹（iSAM2）[18]進(jìn)行增量平滑和映射，從而優(yōu)化因子圖。這些因素的產(chǎn)生過程在以下各節(jié)。
B IMU預(yù)積分因子
IMU中角速度和加速度的測量使用等式2和3來定義
 
其中，和是IMU在坐標(biāo)系B下的原始測量值。和收到緩慢變化的偏置bt和白噪聲nt的影響。是從坐標(biāo)系W到坐標(biāo)系B的變換矩陣，g是坐標(biāo)系W下的重力加速度。
 
 
 
我們可以使用IMU的測量值來推理機(jī)器人的運動。機(jī)器人在t+Δt時刻的速度，位置和旋轉(zhuǎn)計算如下：
 
其中。這里我們假設(shè)積分過程中B坐標(biāo)系下的角速度和加速度保持不變。
 
之后我們使用[19]中提出的IMU預(yù)積分來得到兩幀之間的相對運動。時間i和時間j之間的積分后的測量值Δvij , Δp ΔRij使用下式計算：
 
由于篇幅有限，公式7-9的具體推導(dǎo)過程請參見[19]。除了效率外，使用IMU預(yù)積分還為因子圖提供了IMU預(yù)積分因子約束。IMU偏置將與激光雷達(dá)里程計因子在圖中進(jìn)行聯(lián)合優(yōu)化。
C 激光雷達(dá)里程計因子
當(dāng)新的激光幀到達(dá)時，首先進(jìn)行特征提取。角特征和面特征通過評估點在全局范圍內(nèi)的粗糙度得到。粗糙度較大的點被歸類為角特征，粗糙度較小的點被歸類為面特征。我們將i時刻提取的角特征和面特征分別計為和。i時刻提取的所有特征組成一個激光雷達(dá)幀。需要注意的是激光雷達(dá)幀是在坐標(biāo)系B下的。如果使用距離圖像，則可以在[1]或[7]中找到特征提取過程的更詳細(xì)描述。
 
 
 
 
將每個激光雷達(dá)幀進(jìn)行計算并添加到因子圖上在計算上是很難的，因此我們采用廣泛應(yīng)用在視覺SLAM領(lǐng)域的關(guān)鍵幀概念。使用簡單但有效的啟發(fā)式的方法，當(dāng)機(jī)器人位姿相比于以前的狀態(tài)xi的變化超過用戶定義的閾值，我們選擇激光雷達(dá)幀作為關(guān)鍵幀。新保存的關(guān)鍵幀與因子圖中新的機(jī)器人狀態(tài)節(jié)點xi+1相關(guān)聯(lián)。兩個的激光雷達(dá)關(guān)鍵幀之間的幀將被丟棄。以這種方式添加關(guān)鍵幀不僅在地圖密度和內(nèi)存消耗之間取得平衡，也有助于維護(hù)一個相對稀疏的因子圖，適用于實時非線性優(yōu)化。在我們的工作中，用于添加新關(guān)鍵幀的位置和旋轉(zhuǎn)變化閾值選擇為1m和10°。
 
讓我們假設(shè)我們希望向因子圖中添加一個新的狀態(tài)節(jié)點xi+1。與之相關(guān)的激光雷達(dá)關(guān)鍵幀為。激光雷達(dá)里程計因子描述如下：
(1)體素地圖中的子關(guān)鍵幀集合：我們應(yīng)用滑動窗口算法來構(gòu)建一個僅包含固定數(shù)目的最新的激光雷達(dá)幀的點云地圖。我們沒有優(yōu)化兩個連續(xù)激光幀間的變換，而是提取n個最新的關(guān)鍵幀（稱為子關(guān)鍵幀集）來估計。子關(guān)鍵幀集用相應(yīng)的轉(zhuǎn)換矩陣變換到世界坐標(biāo)系W下。變換后的子關(guān)鍵幀集合被合并到體素地圖中。因為我們在特征提取階段提取了兩種類型的特征，所以也有兩種子體素地圖：角特征體素地圖和面特征體素地圖。激光雷達(dá)幀和體素地圖中間的關(guān)系表示如下
 
 
 
 
 
和是世界坐標(biāo)系下變換后的角特征和面特征。和之后進(jìn)行下采樣以消除屬于同一體素單元的重復(fù)特征。在本文中，n被選擇為25，和下采樣分辨率分別為0.2m和0.4。
 
 
 
 
 
（2）幀間匹配：
我們匹配一個新獲得的激光雷達(dá)幀（即為）到。為此，可以使用許多不同的幀匹配方法，例如[3]和[4]。本文我們用[1]中提出的方法因為其在各種挑戰(zhàn)性環(huán)境中的計算效率和魯棒性。
 
 
 
我們首先將幀從坐標(biāo)系B轉(zhuǎn)換到W得到。最初的轉(zhuǎn)換矩陣使用IMU中預(yù)期機(jī)器人運動得到。對于中的每個特征，我們在中尋找對應(yīng)的角特征和面特征。為了簡潔起見，查找這些對應(yīng)關(guān)系的詳細(xì)過程是此處省略，但在[1]中進(jìn)行了詳細(xì)描述。
 
 
 
 
（3）相關(guān)轉(zhuǎn)換
對于一個特征與其相關(guān)的角或者面特征的距離可以通過以下兩個式子計算
 
式子中k,v,u,ω是相關(guān)特征集合中的特征索引。對于中的每個角特征，，和是在地圖中構(gòu)成相關(guān)角特征線的特征點。對于中的每個面特征，和組成地圖中的相關(guān)平面。那個一個特征及其對應(yīng)線或者平面之間的距離如下：
 
 
 
 
 
 
 
 
 
之后使用Levenberg-Marquardt方法來優(yōu)化轉(zhuǎn)換矩陣。當(dāng)優(yōu)化過程收斂時，我們令。最后我們得到了xi和xi+1之間的相對轉(zhuǎn)換，即為連接兩個位姿的激光雷達(dá)里程計因子
 
 
 
我們注意到另一種得到的方法是轉(zhuǎn)換子關(guān)鍵幀集到xi坐標(biāo)系。換句話說，我們將匹配到xi坐標(biāo)系下的體素地圖中。因此可以直接獲得真實的相對變換。由于變換后的特征和可以被多次利用，我們選擇在章節(jié)ΙΙΙ-c中用到的方法來提升計算效率。
 
D GPS因子
盡管我們僅通過使用IMU預(yù)積分和激光雷達(dá)里程計因子就可以獲得可靠的狀態(tài)估計和建圖，但是在長時間導(dǎo)航任務(wù)中，系統(tǒng)仍然會出現(xiàn)漂移。為了解決這個問題，我們可以引入提供絕對測量的傳感器以消除漂移。這樣的傳感器包括高度計，指南針和GPS。為了便于說明，我們討論了GPS，因為GPS已在現(xiàn)實世界的導(dǎo)航系統(tǒng)中廣泛使用。
 
當(dāng)我們接收GPS測量值時，我們首先使用[20]中提出的方法將其轉(zhuǎn)換為本地笛卡爾坐標(biāo)系。在將新節(jié)點添加到因子圖中后，我們將新的GPS因子與此節(jié)點相關(guān)聯(lián)。如果GPS信號未與激光雷達(dá)進(jìn)行硬件同步，則我們將基于激光雷達(dá)的時間戳在GPS測量值之間進(jìn)行線性插值。
 
我們注意到，由于激光雷達(dá)慣性里程計的漂移增長得非常緩慢，因此在GPS可用時持續(xù)添加GPS因子沒有必要。實際上，我們僅在估計的位置協(xié)方差大于接收到的GPS位置協(xié)方差時添加GPS因子。
 
E 回環(huán)因子
由于使用了因子圖，因此與LOAM和LIOM相比，閉環(huán)也可以無縫地集成到系統(tǒng)中。為了進(jìn)行說明，我們描述并實現(xiàn)了一種簡單但有效的基于歐氏距離的閉環(huán)檢測方法。我們還注意到，我們提出的方法與其他用于閉環(huán)檢測的方法兼容，例如[21]和[22]，它們生成點云描述符并將其用于位置識別。
當(dāng)將新狀態(tài)xi+1添加到因子圖中時，我們首先搜索該圖并找到在歐幾里得空間中接近xi+1的先前狀態(tài)。如圖2所示，例如，x3是返回的候選之一。然后，我們嘗試使用第III-C節(jié)中討論的掃描匹配方法將Fi + 1與子關(guān)鍵幀{F3-m，...，F(xiàn)3，...，F(xiàn)3 + m}進(jìn)行匹配。請注意，在掃描匹配之前，F(xiàn)i+ 1和過去的子關(guān)鍵幀首先被轉(zhuǎn)換到坐標(biāo)系W下。我們獲得相對變換并將其作為循環(huán)閉合因子添加到圖中。在本文中，我們將索引m選擇為12，并且將回環(huán)的搜索距離設(shè)置為從新狀態(tài)xi+1開始的15m。
 
在實踐中，當(dāng)GPS是唯一可用的絕對傳感器時，我們發(fā)現(xiàn)添加閉環(huán)系數(shù)對于校正機(jī)器人高度的漂移特別有用。這是因為GPS的海拔高度測量非常不準(zhǔn)確-在沒有回環(huán)的情況下，我們的測試導(dǎo)致高度誤差接近100m。
 
4 實驗
現(xiàn)在，我們描述了一系列實驗，以定性和定量地分析我們提出的方法。本文使用的傳感器套件包括Velodyne VLP16激光雷達(dá)，MicroStrain 3DM-GX5-25IMU和Reach M GPS。為了進(jìn)行驗證，我們收集了5個不同規(guī)模，不同平臺和環(huán)境的不同數(shù)據(jù)集。這些數(shù)據(jù)集分別稱為旋轉(zhuǎn)，步行，校園，公園和阿姆斯特丹。傳感器安裝平臺如圖3所示。前三個數(shù)據(jù)集是使用MIT校園內(nèi)的定制手持設(shè)備收集的。公園數(shù)據(jù)集是通過無人小車采集平臺，在布滿雜草的公園場景下采集。最新的阿姆斯特丹數(shù)據(jù)集，是在船上采集的。關(guān)于數(shù)據(jù)集的具體細(xì)節(jié)見下表1.
 
我們將LIO-SAM和另外兩個算法框架，LOAM，LIOM進(jìn)行了比較。在所有的實驗中，LIO-SAM和LOAM要求實時運行，而LIOM則允許足夠的時間保證處理所有的傳感器測量數(shù)據(jù)。所有的代碼都采用了C++，硬件平臺為Intel i7-10710U CPU，系統(tǒng)為Ubuntu，使用ROS機(jī)器人操作系統(tǒng)。
 
圖3：數(shù)據(jù)集的三個平臺(a)手持設(shè)備(b)無人小車(c)電動船
A.  旋轉(zhuǎn)數(shù)據(jù)集
這次測試我們主要評估當(dāng)只將IMU預(yù)積分和激光里程計因子加入因子圖時，算法框架的魯棒性。旋轉(zhuǎn)數(shù)據(jù)集是通過手持設(shè)備采集的，并且采集時候給了一些旋轉(zhuǎn)的強(qiáng)激勵。測試環(huán)境，如圖4(a)所示。通過LOAM和LIO-SAM獲得的地圖如圖4(b)和4(c)所示。因為LIOM使用了和[24]相同的初始化方法，所以它繼承了視覺慣性SLAM的相同初始化敏感性，并且無法使用此數(shù)據(jù)集正確初始化。由于無法產(chǎn)生有意義的結(jié)果，因此未顯示LIOM的圖。如圖所示，相比LOAM，LIO-SAM的地圖保留了環(huán)境的更精細(xì)的結(jié)構(gòu)細(xì)節(jié)，這是因為即使機(jī)器人快速旋轉(zhuǎn)，LIO-SAM仍能夠?qū)⒚總€激光雷達(dá)框架精確地在SO(3)空間上對準(zhǔn)。
 
圖4：旋轉(zhuǎn)測試中LOAM和LIO-SAM的建圖結(jié)果。LIOM建圖失敗
B.  步行數(shù)據(jù)集
此測試旨在評估當(dāng)系統(tǒng)在SE(3)空間中經(jīng)歷劇烈的平移和旋轉(zhuǎn)時我們方法的性能。在數(shù)據(jù)收集過程中，用戶持有圖3(a)所示的傳感器套件，并快速走過MIT校園,圖5(a)。在該測試中，當(dāng)遇到劇烈旋轉(zhuǎn)時，圖5(b)所示的LOAM在多個位置發(fā)散。在此測試中，LIOM優(yōu)于LOAM。但是，圖5(c)所示的地圖在各個位置仍略有不同，并且由許多模糊結(jié)構(gòu)組成。因為LIOM被設(shè)計為處理所有傳感器測量，所以它僅以0.56倍速實時運行，而其他方法則是實時運行。最后，LIO-SAM的性能優(yōu)于這兩種方法，并且生成的地圖與可用的Google Earth圖像一致。
 
圖5 LOAM,LIOM,LIO-SAM使用步行數(shù)據(jù)集的建圖結(jié)果
C.  校園數(shù)據(jù)集
此測試旨在顯示引入GPS和環(huán)路閉合因子的好處。為此，我們有意禁止在圖中插入GPS和回環(huán)因子。當(dāng)GPS和回環(huán)同時不作用，我們的方法被稱為LIO-odom，它僅利用IMU預(yù)積分和激光雷達(dá)里程計因子。當(dāng)使用GPS因子時，我們的方法稱為LIO-GPS，它使用IMU預(yù)積分，激光雷達(dá)測距法和GPS因子進(jìn)行圖形構(gòu)建。LIO-SAM在可用時會使用所有因素。
為了收集此數(shù)據(jù)集，用戶使用手持設(shè)備在MIT校園中漫步并返回相同的位置。由于地圖區(qū)域中的建筑物和樹木眾多，因此GPS接收很少可用，而且大部分時間都不準(zhǔn)確。在濾除不一致的GPS測量值之后，可用GPS的區(qū)域在圖6(a)中顯示為綠色部分。這些區(qū)域?qū)?yīng)于未被建筑物或樹木包圍的少數(shù)區(qū)域。LOAM，LIO-odom，LIO-GPS和LIO-SAM的估計軌跡如圖6(a)所示。 LIOM的結(jié)果由于未正確初始化和產(chǎn)生有意義的結(jié)果而未顯示。如圖所示，與所有其他方法相比，LOAM的軌跡明顯漂移。如果不校正GPS數(shù)據(jù)，則LIO-odom的軌跡開始明顯地漂移到地圖的右下角。借助GPS數(shù)據(jù)，LIO-GPS可以在可用時校正漂移。但是，GPS數(shù)據(jù)不適用于數(shù)據(jù)集的后半部分。結(jié)果，當(dāng)機(jī)器人由于漂移而返回到起始位置時，LIO-GPS無法回環(huán)。另一方面，LIOSAM可以通過在圖形中添加回環(huán)因子來消除漂移。LIO-SAM的地圖與Google Earth的影像非常吻合，如圖6(b)所示。表II顯示了機(jī)器人返回起點時所有方法的相對平移誤差。
 
 
圖6：使用MIT校園數(shù)據(jù)集測試不同方法的結(jié)果。(a)中紅點表示起止點，軌跡方向是順時針。LIOM由于失效沒有顯示在圖中。
D.  公園數(shù)據(jù)集
在此測試中，我們將傳感器安裝在UGV上，并沿著新澤西州普萊森特瓦利公園的森林遠(yuǎn)足徑駕駛車輛。駕駛40分鐘后，機(jī)器人將返回其初始位置。UGV在三個路面上行駛：瀝青，被草覆蓋的地面和被塵土覆蓋的小路。由于沒有懸架，因此在非瀝青路面上行駛時，機(jī)器人會受到較小但高頻的振動。為了模擬具有挑戰(zhàn)性的地圖繪制場景，我們僅在機(jī)器人處于寬闊的區(qū)域時才使用GPS測量，這在圖7(a)中用綠色部分表示。這種建圖方案代表了一項任務(wù)，在該任務(wù)中，機(jī)器人必須在多個GPS失效的區(qū)域建圖，并定期返回具有GPS可用性的區(qū)域以校正漂移。
與以前的測試結(jié)果相似，LOAM，LIOM和LIO-odom會遭受明顯的漂移，因為沒有絕對校正數(shù)據(jù)可用。此外，LIOM僅在0.67倍速實時運行，而其他方法則實時運行。盡管LIO-GPS和LIO-SAM的軌跡在水平面內(nèi)重合，但它們的相對平移誤差卻有所不同（表II）。由于沒有可靠的絕對海拔高度測量值，因此LIO-GPS會出現(xiàn)高度漂移，并且在返回機(jī)器人的初始位置時無法閉環(huán)。而LIO-SAM沒有這種問題，因為它利用閉環(huán)因子來消除漂移。
 
圖7：使用公園數(shù)據(jù)集測試不同方法的結(jié)果。(a)中紅點表示起止點，軌跡方向是順時針。LIOM由于失效沒有顯示在圖中。
E.  阿姆斯特丹數(shù)據(jù)集
最后，我們將傳感器套件安裝在船上，并沿著阿姆斯特丹的運河航行了3個小時。盡管在此測試中傳感器的移動相對平穩(wěn)，但出于以下幾個原因，繪制運河圖仍然具有挑戰(zhàn)性。運河上的許多橋梁構(gòu)成了簡陋的場景，因為船在它們下面時幾乎沒有有用的功能，類似于穿過漫長而毫無特色的走廊。平面特征的數(shù)量也明顯減少，因為不存在地面。當(dāng)陽光直射在傳感器視場中時，我們會從激光雷達(dá)中觀察到許多錯誤的檢測結(jié)果，在數(shù)據(jù)收集過程中大約20％的時間會發(fā)生這種情況。由于橋梁和城市建筑的上方，我們也只能獲得間歇性的GPS接收。
由于這些挑戰(zhàn)，LOAM，LIOM和LIO-odom都無法在此測試中產(chǎn)生有意義的結(jié)果。與公園數(shù)據(jù)集中遇到的問題類似，由于海拔高度的變化，LIO-GPS在返回機(jī)器人的初始位置時無法回環(huán)，這進(jìn)一步激發(fā)了我們在LIO-SAM中使用回環(huán)因子的動機(jī)。
F.  對標(biāo)結(jié)果
由于僅GPS數(shù)據(jù)集可提供完整的GPS覆蓋范圍，因此我們向GPS測量歷史顯示均方根誤差（RMSE）結(jié)果，這被視為地面真實情況。此RMSE錯誤未考慮沿z軸的錯誤。如表III所示，就GPS地面真相而言，LIO-GPS和LIO-SAM實現(xiàn)了相似的RMSE誤差。請注意，我們可以通過完全訪問所有GPS測量值來進(jìn)一步降低這兩種方法的誤差至少一個數(shù)量級。但是，在許多地圖設(shè)置中，始終無法完全訪問GPS。我們的目的是設(shè)計一個可以在各種挑戰(zhàn)性環(huán)境中運行的強(qiáng)大系統(tǒng)。
表IV顯示了三種競爭方法在所有五個數(shù)據(jù)集中配準(zhǔn)一個激光雷達(dá)幀的平均運行時間。在所有測試中，LOAM和LIO-SAM被迫實時運行。換句話說，如果在激光雷達(dá)轉(zhuǎn)速為10Hz時運行時間超過100毫秒，則會丟棄某些激光雷達(dá)幀。LIOM有無限的時間來處理每個激光雷達(dá)框架。LIO-SAM使用的運行時明顯少于其他兩種方法，這使其更適合部署在低功耗嵌入式系統(tǒng)上。
我們還通過比實時提供數(shù)據(jù)更快的速度對LIO-SAM進(jìn)行壓力測試。與數(shù)據(jù)回放速度為1倍速實時時的結(jié)果相比，當(dāng)LIO-SAM實現(xiàn)類似性能而沒有失敗時，記錄其最大數(shù)據(jù)回放速度，并顯示在表IV的最后一欄中。可見，LIO-SAM能夠處理數(shù)據(jù)的速度最快可以到達(dá)13倍速實時運行。補(bǔ)充視頻中顯示了以10倍速實時處理校園數(shù)據(jù)集的測試。
我們注意到LIO-SAM運行時間更加受特征圖密度的影響，而受因子圖中節(jié)點數(shù)和因子的影響較小。例如，公園數(shù)據(jù)集是在特征豐富的環(huán)境中收集的，植被導(dǎo)致大量特征，而阿姆斯特丹數(shù)據(jù)集則生成稀疏特征圖。Park測試的因子圖由4,573個節(jié)點和9,365個因子組成，而阿姆斯特丹測試中的圖具有23,304個節(jié)點和49,617個因子。盡管如此，與公園測試中的運行時相比，LIO-SAM在阿姆斯特丹測試中使用的時間更少。
 
 
圖8：LIO-SAM建圖和Google Earth的對比
5 結(jié)論與討論
我們已經(jīng)提出了LIO-SAM，它是通過平滑方法，緊耦合激光雷達(dá)慣性里程測量的框架，用于在復(fù)雜環(huán)境中執(zhí)行實時狀態(tài)估計和建圖。通過在要素圖上制定激光雷達(dá)慣性里程表，LIO-SAM特別適用于多傳感器融合。附加的傳感器測量值可以輕松地作為新因素納入框架。提供絕對測量值的傳感器（例如GPS，指南針或高度計）可用于消除長時間累積的激光雷達(dá)慣性里程表或在功能較差的環(huán)境中的漂移。位置識別也可以輕松地集成到系統(tǒng)中。為了提高系統(tǒng)的實時性能，我們提出了一種滑動窗口方法，該方法將舊的激光雷達(dá)框架邊緣化以進(jìn)行掃描匹配。關(guān)鍵幀被選擇性地添加到因子圖中，并且在生成激光雷達(dá)測距法和回環(huán)因子時，新的關(guān)鍵幀僅被注冊到一組固定大小的子關(guān)鍵幀。這種在本地范圍而不是全球范圍內(nèi)的掃描匹配促進(jìn)了LIO-SAM框架的實時性能。所提出的方法在各種環(huán)境下的三個平臺上收集的數(shù)據(jù)集上進(jìn)行了全面評估。結(jié)果顯示與LOAM和LIOM相比，LIO-SAM可以達(dá)到相似或更好的精度未來的工作包括在無人飛行器上測試該系統(tǒng)。
參考文獻(xiàn)：
 
 
END
 
 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25