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

FAST-LIO2: 快速直接的激光雷達-慣性里程計

2021-09-12 21:53:49·  來源：同濟智能汽車研究所  
　
編者按：SLAM技術(shù)廣泛應(yīng)用于室內(nèi)或室外、城市或野外等不同的無人駕駛應(yīng)用場景。激光雷達是最常使用的傳感器之一，激光雷達可以提取環(huán)境中微小的細節(jié)特征。然而，
編者按：SLAM技術(shù)廣泛應(yīng)用于室內(nèi)或室外、城市或野外等不同的無人駕駛應(yīng)用場景。激光雷達是最常使用的傳感器之一，激光雷達可以提取環(huán)境中微小的細節(jié)特征。然而，激光不適用于缺少結(jié)構(gòu)特征的環(huán)境中，比如四壁光滑的通道，且純激光算法在快速運動或復雜場景下，僅使用激光雷達測程容易出現(xiàn)問題。因此，激光雷達總是會與慣性測量單元(IMU)耦合,以提高系統(tǒng)的穩(wěn)健性。
本文譯自：《FAST-LIO2: Fast Direct LiDAR-inertial Odometry》
文章來源：arXiv preprint arXiv:2107.06829, 2021
作者：Wei Xu, Yixi Cai, Dongjiao He, Jiarong Lin, Fu Zhang
原文鏈接：https://arxiv.org/abs/2107.06829
摘要：本文介紹了FAST-LIO2：一種快速、穩(wěn)健且通用的激光慣性里程計框架。FAST-LIO2建立在高效的緊耦合迭代卡爾曼濾波器的基礎(chǔ)上，有兩個關(guān)鍵的創(chuàng)新之處，可以實現(xiàn)快速、穩(wěn)健和準確的激光雷達導航（和建圖）。第一個是不提取特征直接將原始點配準到地圖（并隨后更新地圖，即建圖），而這使得環(huán)境中的細微特征能夠被利用，從而提高匹配準確性，且取消提取特征模塊能夠適應(yīng)有著不同掃描模式的新興雷達；第二個主要新穎之處是通過增量k-d樹（ikd-樹）數(shù)據(jù)結(jié)構(gòu)維護地圖。ikd-tree支持增量更新（即點插入、刪除）和動態(tài)平衡。與現(xiàn)有的動態(tài)數(shù)據(jù)結(jié)構(gòu)（八叉樹、R*-tree、nanoflann k-d 樹）相比，ikd-樹實現(xiàn)了優(yōu)越的整體性能，同時自然地支持在樹上的下采樣。我們對來自各種開放激光雷達數(shù)據(jù)集的19個序列進行了詳盡的基準比較。FAST-LIO2始終能保持更高的準確度，但是計算負載比其他最先進的激光慣性導航系統(tǒng)低得多。此外，文章也利用具有小視場角的固態(tài)激光雷達進行了各種真實世界的實驗。總體而言，F(xiàn)AST-LIO2計算效率高（例如，在大型室外環(huán)境中高達100Hz的里程計和建圖）、穩(wěn)?。ɡ?，在雜亂的室內(nèi)環(huán)境中可靠的姿態(tài)估計，旋轉(zhuǎn)速度高達1000度/秒），適用廣泛（即，適用于多線旋轉(zhuǎn)和固態(tài)激光雷達、無人機和手持平臺，以及基于Intel和ARM的處理器），同時仍能實現(xiàn)比現(xiàn)有方法更高的精度。我們在Github上開源了FAST-LIO2和ikd-樹的數(shù)據(jù)結(jié)構(gòu)算法實現(xiàn)。
關(guān)鍵詞：激光雷達慣性里程計，緊耦合迭代卡爾曼濾波，ikd-樹
1 引言
構(gòu)建未知區(qū)域的稠密三維（3D）地圖環(huán)境的實時性，同時在地圖中定位（即SLAM）對于自主機器人在未知環(huán)境中的安全導航至關(guān)重要。定位提供了機器人車載控制器的狀態(tài)反饋，同時，稠密的3D地圖提供了有關(guān)軌跡規(guī)劃環(huán)境的必要信息（即自由空間freespace和障礙物）?；谝曈X的SLAM[1]–[4]在定位方面非常精確，但是只維護一個稀疏的特征地圖，并且會遭受照明變化和嚴重的運動模糊的影響。另一方面，僅利用機器人上搭載的計算資源，進行基于視覺傳感器的實時密集、高分辨率、高精度的建圖[5]–[8]，仍然是一個巨大的挑戰(zhàn)。
由于能夠提供直接、密集、活躍和精確的環(huán)境深度信息，Lidar（激光雷達）傳感器已成為對于機器人另一種必要的傳感器[9,10]。近十年來，激光雷達在許多自動機器人中發(fā)揮著越來越重要的作用，如自動駕駛汽車[11]和自動無人機[12,13]。在最近激光雷達技術(shù)發(fā)展中，已經(jīng)實現(xiàn)了商業(yè)化、輕量批量生產(chǎn)、更具成本效益（成本范圍類似于全球快門相機）、性能高（在數(shù)百米測量范圍內(nèi)擁有厘米精度）的固態(tài)激光雷達[14,15]引起了廣泛的研究興趣[16]–[20]。雷達成本、尺寸、重量、功率的顯著降低具有使現(xiàn)有和新興機器人應(yīng)用領(lǐng)域受益的潛力。
采用基于激光雷達SLAM方法的核心要求是利用有限機載計算資源獲得準確、低延遲的狀態(tài)估計和密集的3D地圖。然而，高效、準確的激光雷達里程計和地圖繪制仍是有挑戰(zhàn)性的問題：1）當前的激光雷達傳感器每秒產(chǎn)生數(shù)十萬到數(shù)百萬的三維點，利用有限的車載計算資源處理如此大量的實時數(shù)據(jù)，要求具有較高的計算效率的激光雷達里程計方法。2）為了減少計算量，特征點，例如邊緣點或平面點，通常是基于局部平滑度提取的。但是，特征提取模塊的性能容易受環(huán)境影響。例如，在沒有大量平面或長邊的結(jié)構(gòu)稀少的環(huán)境中，將導致提取很少的特征點。這種情況在新興固態(tài)激光雷達典型的小視場角下會大大惡化 [16]。此外，特征提取也因激光雷達的不同而有所不同，具體取決于掃描模式（例如，旋轉(zhuǎn)、基于prism[15]、基于MEMS[14]）和點密度。所以采用激光雷達里程計方法通常需要很多手動提取的工作;3)激光雷達點通常在連續(xù)運動按順序采樣，，這個過程會產(chǎn)生顯著的運動失真，影響里程計和建圖的性能，尤其是當運動很劇烈時。慣性測量單元(IMU)可以緩解這個問題，但引入了額外需要估計的狀態(tài)量（例如，偏差，外參）；4) 在一次掃描中激光雷達通常有很長的測量范圍（例如，數(shù)百米）但分辨率相當?shù)汀｜c云測量結(jié)果稀疏地分布在一個大型3D空間中，所以需要一個大而密集的地圖來配準這些稀疏點。此外，該地圖需要支持有效的搜索且同時實時更新新的測量數(shù)據(jù)。維持這樣的地圖是一項非常具有挑戰(zhàn)性的任務(wù)，且不同于視覺測量的圖像測量具有高分辨率，因此只需要稀疏特征圖，在地圖上特征點，只要它落在視場角中總能找到對應(yīng)關(guān)系。
在這項工作中，我們通過兩個關(guān)鍵新技術(shù)來解決這些問題：增量k-d樹和直接配準點。更具體地說，我們的貢獻如下：1）我們開發(fā)增量 k-d 樹數(shù)據(jù)結(jié)構(gòu)ikd-樹，以有效表示大型密集點云圖。除了高效的最近鄰搜索，新的數(shù)據(jù)結(jié)構(gòu)支持增量地圖更新（即點插入、樹上的下采樣，點刪除）和以最小的計算成本進行動態(tài)平衡。這些特性使 ikd-樹非常適合應(yīng)用于激光雷達里程計和建圖，實現(xiàn)了100 Hz 里程計和在計算受限平臺的建圖，例如基于 Intel i7 的微型無人機板載計算機和甚至于 ARM 的處理器。Ikd-樹數(shù)據(jù)結(jié)構(gòu)工具箱已經(jīng)在 Github上開源。2) 由于在ikd-樹上計算效率的提高， 我們直接將原始點配準到地圖上，這使得幀間配準即使是在劇烈的運動和非?；靵y的環(huán)境中也準確可靠。我們稱這種基于原始點的配準方法為直接法，類比于視覺SLAM[21]。去除手動特征提取使系統(tǒng)自然適用于不同的激光雷達傳感器；3）我們將這兩個關(guān)鍵技術(shù)整合到我們最近開發(fā)的一個完全緊耦合的激光雷達慣性里程計系統(tǒng) FAST-LIO [22]。該系統(tǒng)通過使用 IMU的嚴格反向傳播來修正每個點的運動并通過流形迭代卡爾曼濾波器估計系統(tǒng)的全部狀態(tài)量。為了進一步加速計算，一種新的計算卡爾曼增益的數(shù)學等價公式被用于降低計算復雜度狀態(tài)的維度（而非測量量）。新系統(tǒng)被稱為 FAST-LIO2 并且在Github上是開源的；4）我們開展各種試驗去評估 ikd-tree有效性、直接點配準法和整個系統(tǒng)。在18個不同大小的序列上的實驗表明，ikd-Tree相對于現(xiàn)有的動態(tài)數(shù)據(jù)結(jié)構(gòu)（八叉樹、R*-tree、nanoflann k-d 樹）在激光雷達里程計和地圖的應(yīng)用中實現(xiàn)了卓越的性能。在19個來自不同激光雷達數(shù)據(jù)集的序列上詳盡的基準對比表明FAST-LIO2始終能保持更高的準確度，但具有比其他最先進激光慣性導航系統(tǒng)的計算負載低得多。我們最后展示FAST-LIO2在挑戰(zhàn)由具有非常小的視場角的新興固態(tài)激光雷達收集的真實世界數(shù)據(jù)，包括劇烈運動（如旋轉(zhuǎn)速度 高達1000度/秒）和結(jié)構(gòu)較少的環(huán)境中。
其余文章組織如下：在第Ⅱ章，我們討論了相關(guān)背景的研究工作。我們分別在章節(jié)Ⅲ，Ⅳ和Ⅴ給出概述系統(tǒng)流程和每個關(guān)鍵部分的細節(jié)。第Ⅵ章中展示在開放數(shù)據(jù)集上的對比。在第Ⅶ章展示實際實驗。最后是在第Ⅷ章的結(jié)論。
2 相關(guān)工作
A.激光雷達（-慣性系統(tǒng)）里程計
3D激光雷達SLAM的現(xiàn)有工作通常繼承了在[23]中提出的LOAM結(jié)構(gòu)。它由三個主要部分組成：特征提取、里程計和建圖。為了減少計算量，新的一幀點云首先被基于局部平滑度的特征點（即邊和平面）提取模塊加工處理。然后，里程計模塊（幀間）匹配來自連續(xù)兩幀點云的特征點，獲得粗略但實時（如10Hz）的激光雷達姿態(tài)里程計。通過里程計，多幀點云組合成一個掃描，然后該掃描被配準并合并到全局地圖（即，建圖）。在此過程中，地圖點被用于構(gòu)建一個k-d樹，這使得一個非常有效的k近鄰搜索(kNN搜索)成為可能。然后，LOAM通過迭代最近點(ICP)[24]–[26]方法實現(xiàn)點云配準，具體為：在其中每次迭代中，在目標點云的一些線或面上選取幾個和原點云最近的點來實現(xiàn)ICP的配準。為了降低k-d樹建設(shè)的時間成本，算法以規(guī)定的分辨率對地圖點進行下采樣。優(yōu)化的建圖過程通常以低得多的速率(1-2Hz)進行。
后續(xù)的激光雷達里程計工作保持了一個類似于LOAM的框架。例如，Lego-LOAM [27]引入了一種減少計算量的地面點分割方法以及減少長期漂移的回環(huán)模塊。此外，LOAM-Livox[16]將LOAM適用于新興的固態(tài)激光雷達。為了處理小視場角和非重復掃描的問題，即從連續(xù)兩幀點云中提取的特征點幾乎沒有對應(yīng)關(guān)系，LOAM-Livox通過直接將新的一幀點云直接配準到全局地圖中來獲得的里程計。這種直接將一幀點云配準到地圖的方法提高了里程計的精度，但代價是在每一步構(gòu)建中更新地圖點的k-d樹的計算量增加。
IMU可以通過提供ICP要求的良好的初始位姿來顯著提高激光雷達里程計的精度和魯棒性。此外，高頻率的IMU測量數(shù)據(jù)可以有效地補償激光點云幀中的運動失真。LION[28]是一種松耦合的激光雷達慣性SLAM方法，它保留了LOAM中的幀間配準方法（scan-to-scan registration），并在里程計中引入了可觀測性檢查以降低點數(shù)，從而節(jié)省計算量。更多的緊耦合的激光雷達慣性融合工作[17,29]–[31]在由固定數(shù)量的最近的激光點云幀（或關(guān)鍵幀）組成的在小尺寸局部地圖中執(zhí)行里程計。與幀間配準的方法相比，幀到局部地圖的配準通常因使用更多最近的信息而更加準確。更具體地說，LIOM[29]提出了一種緊耦合激光雷達慣性融合方法，它在里程計中引入了IMU預積分。LILIOM[17]開發(fā)了一種新的特征提取方法對于非重復掃描的激光雷達，并在一個由20幀激光點云組成的小地圖中執(zhí)行幀間配準以獲得里程計。LIO-SAM[30]的里程計需要一個9軸IMU來產(chǎn)生姿態(tài)測量，這個測量量是在一個小的局部地圖中進行幀間配準的前提。LINS[31]將緊耦合迭代卡爾曼濾波器和機器人中心公式引入到里程計中的激光雷達姿態(tài)優(yōu)化當中。因為上述工作為了獲取實時的性能通常構(gòu)建小的局部地圖，所以里程計漂移地很快，需要進行低速率的建圖過程，例如建圖細化（LINS[31]），滑動窗口關(guān)節(jié)優(yōu)化（LILI-OM[17]和LIOM[29]）和 因子圖優(yōu)化[32]（LIO-SAM[30]）。與上述方法相比，F(xiàn)AST-LIO[22]引入了一種形式化的反向傳播，它精確考慮一幀點云中的每一個點的采樣時間，并通過IMU測量值驅(qū)動的嚴格運動學模型對運動畸變進行補償。此外，它還采用新的卡爾曼增益公式將計算復雜度從測量維度降低到狀態(tài)維度。這個新公式在數(shù)學上被證明等價于傳統(tǒng)的公式，但計算量減少了好幾個數(shù)量級。計算的效率顯著提高允許在里程計中進行直接并實時的一幀點云到地圖的配準，并在每一步中更新地圖（即建圖）。它使用所有最近幾幀點云中的點進行及時建圖，這保證了里程計的精度。但是，為了防止構(gòu)建地圖的k-d樹的時間越來越長，系統(tǒng)只能在小型環(huán)境中工作（例如，數(shù)百米）。
FAST-LIO2建立在FAST-LIO[22]的基礎(chǔ)上，因此繼承了緊耦合的融合框架，尤其是利用反向傳播解決運動失真與利用快速卡爾曼增益計算提高效率。為了系統(tǒng)地解決計算量增長的問題，我們提出了一種新的數(shù)據(jù)結(jié)構(gòu)ikd-樹，它支持在每一步中更新增量地圖和高效的kNN搜尋。受益于計算量的顯著減少，里程計是通過將原始激光雷達點直接配準到地圖上來執(zhí)行的，從而提高了里程計和地圖繪制的準確性和魯棒性，尤其是當新的一幀點云中沒有突出特征時（例如，由于小視場和/或無結(jié)構(gòu)環(huán)境)。與上述均使用特征點的緊耦合激光雷達慣性方法相比，我們的方法更加輕量級，并可提高建圖頻率和里程計的精確性，并且無需為特征提取進行參數(shù)調(diào)整。
在我們的工作中直接注冊原始點的想法已經(jīng)在LION [28]中進行了探索，然而，如上所述，LION是一種松散耦合的方法。這個想法也很類似于[26]中提出的廣義ICP（G-ICP），在其中，一個點被注冊到地圖中的小局部平面。這最終假設(shè)環(huán)境是平滑的，因此可以被視為局部平面。然而，廣義ICP的計算量通常較大[33]。其他基于正態(tài)分布變換（NDT）[34]–[36]的工作也注冊原始點，但NDT與ICP相比，有著更低的穩(wěn)定性，在某些場景中可能會失效 [36]。
B.建圖中的動態(tài)數(shù)據(jù)結(jié)構(gòu)
為了實現(xiàn)實時建圖，需要一個動態(tài)數(shù)據(jù)結(jié)構(gòu)來支持增量更新和高效的kNN搜索。通常，kNN搜索問題可以通過為數(shù)據(jù)點建立空間索引來解決，具體可以分為兩類：數(shù)據(jù)分割和空間分割。一個眾所周知的數(shù)據(jù)分割的實例是 R-樹 [37]，它基于空間中的數(shù)據(jù)接近度將數(shù)據(jù)聚類成潛在的重疊軸對齊立方體。各種R樹按照線性、二次和指數(shù)復雜性分割節(jié)點，所有這些樹都支持最近鄰搜索和點式更新（插入，刪除，和重新插入）。此外，R-樹還支持在給定搜索區(qū)域或滿足給定條件下進行搜索目標數(shù)據(jù)點。R-樹的另一個版本是-樹，它的性能優(yōu)于原來的數(shù)[38]。-樹按最小重疊標準進行插入，并對節(jié)點分割算法應(yīng)用強制重插入原則。
八叉樹[39]和k維樹（k-d樹）[40]是兩種眾所周知的數(shù)據(jù)結(jié)構(gòu)，用于分割kNN搜索的空間。八叉樹通過遞歸地將空間分成八個軸對齊的立方體來組織三維點云。當立方體為空或滿足停止規(guī)則（例如，最小分辨率或最小點數(shù)量）時，立方體的分割停止。當進行進一步細分時，如果必要的話，新點將被插入到八叉樹上的葉節(jié)點。八叉樹支持kNN搜索和框式搜索，后者返回給定軸對齊長方體中的數(shù)據(jù)點。
k-d樹是一種二叉樹，其節(jié)點表示一個軸對齊的超平面，將空間分割為兩部分。在標準構(gòu)造規(guī)則中，分割節(jié)點被選擇為沿著最長維度的中間點，以實現(xiàn)緊湊的空間分割[41]。在考慮建圖中低維和存儲在主存上的數(shù)據(jù)特性時，比較研究表明k-d樹在kNN問題中取得了最好的性能[42, 43]。然而，在 k-d 樹中插入新點和刪除舊點會降低樹的平衡性；因此，需要重建以重新平衡樹。使用k-d 樹庫的建圖方法，例如ANN [44]、libnabo[43]和FLANN [45]，完全重新構(gòu)建 k-d 樹以更新地圖，但這會導致大量計算。雖然基于硬件的重建k-d樹的方法已經(jīng)在三維圖形應(yīng)用中得到徹底研究[46]–[49]，但所提出的方法嚴重依賴于計算資源，而這些資源通常局限于機器人應(yīng)用的機載計算機。Galperin 等人沒有完全重建樹，而是提出了一種替罪羊 k-d 樹，其中重新構(gòu)建被部分應(yīng)用于不平衡的子樹，以保持整個樹的松散平衡特性[50]。啟用增量操作的另一種方法是以類似于 [51, 52]的對數(shù)方法維護一組k-d樹，并重新構(gòu)建一個精心選擇的子集。Bkd-樹在主存儲器中維護了一個最大大小為M的k-d樹，在外部存儲器中維護了一組k-d樹，其中第i棵樹的大小為[53]。當樹滿時，算法從到提取點，并插入到第一個空樹中。最先進的nanoflann k-d樹利用對數(shù)結(jié)構(gòu)進行增量更新，而惰性標簽只標記刪除的點，而不從樹中刪除它們(因此節(jié)省內(nèi)存)[54]。
我們提出了一種基于替罪k-d樹[50]的動態(tài)數(shù)據(jù)結(jié)構(gòu)，命名為增量k-d樹（ikd-樹），以實現(xiàn)實時建圖。我們的ikd-Tree支持點式插入和樹上的下采樣，這是建圖中的常見要求，而在將新點插入其他動態(tài)數(shù)據(jù)結(jié)構(gòu)之前，必須在外部進行下采樣。當需要去除給定形狀的規(guī)則區(qū)域（如長方體）中不必要的點時，現(xiàn)有的R-樹和八叉樹可以實現(xiàn)在給定空間內(nèi)搜索點并逐個刪除它們，而普通的k-d樹使用半徑搜索以獲得點索引。與這種間接且低效的方法相比，ikd-Tree 通過維護范圍信息和惰性標簽直接刪除給定軸對齊長方體中的點。標記為“已刪除”的點將在重建過程中被刪除。此外，盡管在應(yīng)用部分重平衡方法(例如替罪羊k-d樹[50]和納米樹k-d樹[54])之后，增量更新是可用的，但是當重新構(gòu)建大量點時，使用k-d樹的建圖方法受到間歇性延遲的影響。為了克服這一點，ikd-Tree通過并行重建避免了自身的顯著延遲，同時保證了主線程的實時性和準確性。
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25