超強激光SLAM LIO-SAM!高精度機器人定位建圖!

點擊上方「3D視覺工坊」,選擇「星標」git

乾貨第一時間送達github

做者丨robot L@知乎算法

來源丨https://zhuanlan.zhihu.com/p/153394930微信

本文介紹IROS2020的一篇文章:app

T. Shan, B. Englot, D. Meyers, W. Wang, C. Ratti, D. Rus. LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, IEEE/RSJ International Conference on Intelligent Robots and Systems, 2020.dom

附上做者Tixiao Shan上傳到Youtube的視頻:ide

原視頻地址:youtube.com/watch?。學習

做者Tixiao Shan在2018年發表過LeGO-LOAM,當時他還在史蒂文斯理工學院讀博士,19年畢業以後去了MIT作助理研究員(羨慕.jpg)。。。這篇文章LIO-SAM其實是LeGO-LOAM的擴展版本,添加了IMU預積分因子和GPS因子,去除了幀幀匹配部分,而後更詳細地描述了LeGO-LOAM幀圖匹配部分的設計動機和細節。測試

代碼已開源,傳送門:TixiaoShan/LIO-SAM(https://github.com/TixiaoShan/LIO-SAM)。優化

PS:今天上github查了一下LeGO-LOAM,發現有許多有趣的版本,好比這個:https://github.com/irapkaist/SC-LeGO-LOAM

將基於歐式距離的迴環檢測換成了基於全局描述子Scan Context的迴環檢測。還有這個:https://github.com/facontidavide/LeGO-LOAM-BOR/tree/speed_optimization

從代碼層面進行了改進,優化了速度和代碼可讀性等。


目錄

  • 內容介紹

  • 研究背景

  • 方法

    • 綜述

    • 激光里程計因子

    • GPS因子

  • 實驗驗證

    • 旋轉數據集

    • 行走數據集

    • 校園數據集

    • 公園數據集

    • 阿姆斯特丹數據集

  • 總結

    • 核心思想

    • 優缺點

    • 展望


1. 內容介紹

本文提出了一種緊耦合激光-慣性里程計方法,經過優化包含LiDAR里程計因子,IMU預積分因子,GPS因子和迴環因子來獲得機器人的全局一致的位姿。做者使用幀-局部地圖匹配代替LOAM的幀-全局地圖匹配,提升了幀圖匹配的效率(我的感受這並不算一個新的創新點,由於做者在LeGO-LOAM中已經用了幀-局部地圖匹配)。

圖1. (a)操做員手持設備。(b)LIO-SAM使用激光和IMU數據的建圖結果。

2. 研究背景

LOAM是目前爲止激光里程計(LO)領域最經典最普遍使用的方法。可是它存在一個問題,就是它直接存儲全局體素地圖而不是局部地圖,從而很難執行迴環檢測以修正漂移,或者組合GPS等測量進行位姿修正。而且體素地圖的使用效率會隨時間下降。爲了克服該問題,做者只獨立地存儲每一個關鍵幀的特徵,而不是在位姿估計完成後就將特徵加入到全局地圖中。

另外一方面,IMU和LiDAR的聯合位姿估計已經被普遍研究,大體分爲兩類。第一類是鬆耦合的方法,例如LOAM和LeGO-LOAM中使用IMU去除LiDAR點雲的運動畸變,以及[8]-[12]使用EKF整合LiDAR和IMU的測量。第二類是緊耦合的方法,例如R-LINS[15],使用偏差狀態卡爾曼濾波器迭代地修正機器人的位姿估計,再好比LIOM [16]聯合優化LiDAR和IMU測量。可是LIOM一次性處理全部測量,所以不能實時運行。而本文也屬於緊耦合的激光-慣性里程計方法,只是採用了因子圖優化而不是濾波的方法。

3. 方法

A. 綜述

圖2展現了LIO-SAM的因子圖。圖中主要包含四種因子。第一種是IMU預積分因子(橙色),由兩個相鄰關鍵幀之間的IMU測量積分獲得。第二種是激光里程計因子(綠色),由每一個關鍵幀和以前n個關鍵幀之間的幀圖匹配結果獲得。第三種是GPS因子(黃色),由每一個關鍵幀的GPS測量獲得。第四種是迴環因子(黑色),由每一個關鍵幀和候選迴環關鍵幀的時序相鄰的2m+1個關鍵幀之間的幀圖匹配獲得。此外,因子圖優化經過iSAM2[18]完成。

圖2. LIO-SAM的系統結構。

IMU預積分因子在robot L:【論文閱讀12】On-Manifold Preintegration (https://zhuanlan.zhihu.com/p/108203458,Part2:技術細節)一文中已經介紹過,迴環因子在LeGO-LOAM中已經介紹過,再也不贅述。這裏詳細介紹後激光里程計因子和GPS因子。

B. 激光里程計因子

在本文中,只使用關鍵幀的特徵,非關鍵幀的特徵所有被拋棄。採用LOAM[1]或LeGO-LOAM[7]的方法提取第  個關鍵幀的特徵  ,前者是邊緣特徵,後者是平面特徵。當新的關鍵幀  到來時,利用以前n+1個關鍵幀的特徵集合  和位姿估計 構建局部地圖  ,其中

 (1)

 和  是變換到世界座標系中的第  個關鍵幀的特徵。  和  是世界座標系中的局部邊緣特徵地圖和局部平面特徵地圖。

以後,咱們利用LOAM中的方法匹配  和  ,以及  和  ,創建點線和點面距離約束。經過最小化全部約束,優化  。點雲匹配和位姿優化過程與LOAM/LeGO-LOAM相同,再也不贅述。不一樣的是,這裏使用過去n+1幀關鍵幀的組合點雲而不是全局點雲和最新幀進行匹配。

C. GPS因子

當接收到GPS測量後,咱們首先使用[20]的方法變換它們到笛卡爾座標系中。當一個新的位姿節點被插入到因子圖後,咱們關聯GPS因子到該位姿節點中去。具體地,咱們線性插值GPS的時間戳,獲得對應最新位姿節點的GPS位置。

因爲在GPS信號一直存在的時候,持續添加GPS因子沒有意義。由於漂移很緩慢。因此在實際操做過程當中,咱們只添加GPS因子當位姿估計協方差矩陣變得很大的時候。

4. 實驗結果

咱們比較了提出的LIO-SAM,LOAM以及LIOM。此外,咱們的實驗基於三種不一樣的實驗平臺,如圖3所示。

圖3. 三種不一樣的實驗平臺。

A. 旋轉數據集

該實驗驗證咱們僅使用IMU因子和激光里程計因子時,系統的魯棒性。在該實驗中,咱們靜止在原地,並快速晃動手中的傳感器設備。LOAM和LIO-SAM的建圖結果如圖4所示。LIOM因爲採用了[24]的初始化方法較爲敏感,在該數據集中不能初始化成功,所以沒有顯示它的建圖結果。

圖4. 實驗1的建圖結果對比。、

B. 行走數據集

該測試用來驗證咱們方法經歷劇烈平移和旋轉運動時的表現。在數據收集階段,使用者手持傳感器在MIT校園內快速行走。能夠看出LOAM,LIOM和咱們的LIO-SAM的建圖效果遞增。LIOM不能實時運行,其餘兩種算法能夠實時運行。

圖5. 實驗2的建圖結果比較。

C. 校園數據集

該測試用來驗證引入GPS和迴環因子的好處。爲此,去除GPS和迴環因子的系統被稱爲LIO-odom;去除迴環因子使用GPS因子的系統被稱爲LIO-GPS;適用全部因子的系統爲LIO-SAM。在該數據集中,使用者手持平臺在MIT校園中行走,並回到起點的相同位置。因爲有樹木的遮擋,部分區域接收不到GPS信號。圖6展現了各類方法的軌跡和LIO-SAM的建圖結果。

圖6. 實驗3的軌跡圖和LIO-SAM的建圖結果。

表2總結了各類方法回到原點後的相對平移偏差。

D. 公園數據集

在該實驗中,咱們將傳感器放到UGV上,並駕駛它沿着公園的林蔭小路行走。在40分鐘後,該小車回到了原點。圖7展現了不一樣算法的軌跡圖,表2總結了各類方法的相對平移偏差。

圖7. 實驗4的軌跡圖和LIO-SAM的重建結果。

E. 阿姆斯特丹數據集

在該實驗中,咱們將傳感器放到船上,並繞着阿姆斯特丹運河行駛了三個小時。建圖結果如圖8所示。

此外,表4總結了各類方法平均每幀的運行時間。和LIO-SAM可以承受的數據倍速播放上限。

5. 總結

A. 核心思想

基於激光雷達,IMU和GPS多種傳感器的因子圖優化方案,以及在幀圖匹配中使用幀-局部地圖取代幀-全局地圖。

B. 優缺點

第一個優勢是緊耦合了多種不一樣傳感器,運動估計結果更魯棒。

第二個優勢是使用增量平滑和建圖方法iSAM2執行因子圖優化。iSAM2是真的好用,只須要設計因子就完事兒了,其餘部分徹底不用管,增量優化幫你搞定一切。時間-精度平衡,不存在的。

缺點一是關鍵幀之間的特徵被徹底丟棄。可否設計一種簡單高效的方法同時利用關鍵幀之間的激光幀的(部分)特徵?這樣的好處是信息損失更少,有利於提升精度。

缺點二是沒開源(劃掉。

C. 展望

使用IMU預積分來利用IMU測量已是慣用手法。幀-局部地圖匹配也在其餘LO/LIO中被使用過,例如SuMa和IMLS-SLAM使用的都是幀-局部地圖匹配,以及這篇LIO文章robot L:【論文閱讀9】3D LiDAR Inertial Odometry and Mapping(https://zhuanlan.zhihu.com/p/106291845)也使用了幀-局部地圖匹配。爲了提速,僅使用關鍵幀,剔除中間幀的想法借鑑自視覺SLAM,之後在激光SLAM中也會逐漸流行起來。LO以及LiDAR和其餘傳感器融合的SLAM領域還有什麼可作的呢?

我以爲首先LIDAR點雲的特徵點提取這種基礎工做有待進一步改進,不管是LOAM仍是LeGO-LOAM,特徵點提取方法都很是簡單。可以提取出更加通用,穩定,高效的特徵點的方法是很是關鍵的。由於後續的匹配算法對特徵點的質量很是敏感,雖然短時間可能看不出來,可是長期來看,好的特徵很是重要。

其次,如何處理高動態環境也是一個開放問題。包括高動態環境中準確,魯棒的定位方法,以及高動態環境的建圖方法,是否對動態物體建圖?如何去除動態物體的殘影?如何創建純靜態場景地圖?以及基於語義,物體,拓撲的建圖方法等。

本文僅作學術分享,若有侵權,請聯繫刪文。

下載1

在「3D視覺工坊」公衆號後臺回覆:3D視覺便可下載 3D視覺相關資料乾貨,涉及相機標定、三維重建、立體視覺、SLAM、深度學習、點雲後處理、多視圖幾何等方向。

下載2

在「3D視覺工坊」公衆號後臺回覆:3D視覺github資源彙總便可下載包括結構光、標定源碼、缺陷檢測源碼、深度估計與深度補全源碼、點雲處理相關源碼、立體匹配源碼、單目、雙目3D檢測、基於點雲的3D檢測、6D姿態估計源碼彙總等。

下載3

在「3D視覺工坊」公衆號後臺回覆:相機標定便可下載獨家相機標定學習課件與視頻網址;後臺回覆:立體匹配便可下載獨家立體匹配學習課件與視頻網址。

重磅!3DCVer-學術論文寫做投稿 交流羣已成立

掃碼添加小助手微信,可申請加入3D視覺工坊-學術論文寫做與投稿 微信交流羣,旨在交流頂會、頂刊、SCI、EI等寫做與投稿事宜。

同時也可申請加入咱們的細分方向交流羣,目前主要有3D視覺CV&深度學習SLAM三維重建點雲後處理自動駕駛、CV入門、三維測量、VR/AR、3D人臉識別、醫療影像、缺陷檢測、行人重識別、目標跟蹤、視覺產品落地、視覺競賽、車牌識別、硬件選型、學術交流、求職交流等微信羣。

必定要備註:研究方向+學校/公司+暱稱,例如:」3D視覺 + 上海交大 + 靜靜「。請按照格式備註,可快速被經過且邀請進羣。原創投稿也請聯繫。

▲長按加微信羣或投稿

▲長按關注公衆號

3D視覺從入門到精通知識星球:針對3D視覺領域的知識點彙總、入門進階學習路線、最新paper分享、疑問解答四個方面進行深耕,更有各種大廠的算法工程人員進行技術指導。與此同時,星球將聯合知名企業發佈3D視覺相關算法開發崗位以及項目對接信息,打形成集技術與就業爲一體的鐵桿粉絲彙集區,近2000星球成員爲創造更好的AI世界共同進步,知識星球入口:

學習3D視覺核心技術,掃描查看介紹,3天內無條件退款

 圈裏有高質量教程資料、可答疑解惑、助你高效解決問題

以爲有用,麻煩給個贊和在看~  

相關文章
相關標籤/搜索