自动驾驶中高效的激光雷达里程计
标题：Efficient LiDAR Odometry for Autonomous Driving
作者：Xin Zheng, Jianke Zhu, Senior Member, IEEE
排版：点云PCL
来源:arxiv 2021
本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。内容如有错误欢迎评论留言，未经允许请勿转载！
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起每交流一起进步,有兴趣的可联系微信：920177957。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。
摘要
激光雷达里程计在自主导航系统中的自定位和地图够建中起着重要的作用，通常被视为一个点云配准问题。传统的基于搜索树的方法虽然在KITTI里程基准上取得了良好的性能，但在处理大规模点云时仍然存在困难。最近提出的基于球面距离图像的方法具有球面映射快速搜索最近邻的优点。然而，对于与激光雷达光束几乎平行的地面点的处理效果并不理想。为了解决这些问题，我们提出了一种新的有效的激光雷达里程计的方法，利用非地面球形距离图像和鸟瞰图的地面点。此外，本文还引入了一种距离自适应方法来稳健估计局部曲面法线。此外，本文还提出了一种快速且节省内存的模型更新方法来融合不同时间戳下的点及其对应的法线。我们在KITTI里程计基准上进行了大量的实验，实验结果表明我们提出的方法是有效的。
图1 在KITTI数据集上使用我们提出的激光雷达里程计方法进行三维重建。
主要贡献
本文提出了一种新的有效的激光雷达里程计（ELO）方法。除了球面射程投影之外，我们提出利用鸟瞰图（BEV）保留有效的与激光束几乎平行的地面点的邻域关系。因此，将激光雷达里程计问题转化为一个非线性最小二乘最小化问题，其中非地面成本和地面点根据其内联比自适应地融合。提出了一种基于区间自适应的局部曲面法向量估计方法，该方法不使用交叉积，而是通过特征分解和野值剔除来实现局部曲面法向量的鲁棒估计。此外，本文还提出了一种快速有效的模型更新方法，用于融合不同时间戳下的距离图像及其对应的法向量图。图1显示了我们的方法的重建结果。
本文的主要贡献有：
1）利用非地面球面距离像和地面BEV地图，提出了一种有效的激光雷达里程计方法；
2） 提出了一种基于距离自适应法向估计的激光雷达扫描配准方法；
3） 利用球面距离像和地面BEV图，提出了一种快速高效的模型更新方案；
4） 在KITTI里程计基准上的实验表明，该方法不仅在激光雷达里程计上取得了良好的效果，而且运行速度超过了169帧/秒。
主要内容
本文提出的用于自动驾驶的高效激光雷达里程计的方法。首先，我们将问题转化为一个同时考虑非地面和地面成本的非线性最小二乘最小化问题。其次，提出了一种基于球面距离图像和距离自适应正态估计的非地面代价估计方法。第三，利用二维鸟瞰图对地面成本进行了详细分析。最后，我们提出了一个有效的地图更新方案，用于非地面距离图像和地面地图。
图2 高效的激光雷达里程计方法的概述流程图
1） 概述：如综述文章所述，激光雷达里程计被描述为帧到模型配准问题，其目的是在连续扫描之间找到精确的变换。如图2所示，首先将来自LiDAR的原始3D点云投影到球形范围图像上，以便于快速分割和非地面。其次，从得到的球面范围图像中分割出地面点，再将其投影到二维鸟瞰图上，形成地面代价函数。第三，利用距离自适应方法计算球面投影图像的法向映射，利用ICP估计姿态增量。最后，我们通过记忆有效更新方案更新了非地面球面射程模型和BEV地面地图。
2） 提出的融合方法：为了便于有效的配准，快速的最近邻搜索是找到当前扫描与点模型之间的对应关系的关键，这对于计算点对面误差的法向估计具有重要意义。搜索树是激光雷达测距的计算瓶颈。受投影数据关联[10]的启发，我们将散乱的三维点直接映射到二维球面范围图像上，有效地寻找最近邻，这在RGBD-SLAM中得到了广泛的应用。如[20]所述，在自动驾驶车辆中，激光雷达的方向稍微朝向地面，因此一半的扫描点属于路面。特别是在高速公路上，从非地面点云中提取的平面特征很少，不可避免地会导致姿态估计的漂移。因此，非地面特征不足以进行跟踪，而地面点与丰富的平面特征是很好的补充。感知地面点的分布比非地面点的分布更稀疏。这就产生了球面范围图像中相邻地面点的像素不属于同一局部曲面的问题。我们在图3中展示了一个例子。给定三个相邻的激光束，立面和地面的交点分别为F1、F2、F3和G1、G2、G3。它们在球面范围图像中对应的像素在同一列中。位于立面上垂直于激光束的点正好是一个表面上的最近邻点。然而，当反射面平行于激光束时，相邻像素之间的距离可能非常大。
图3 立面点F1、F2、F3和地面点G1、G2、G3的球形投影示例。
实验
在本节中，我们将详细介绍我们的实验，并讨论激光雷达里程计的结果。我们在驾驶数据集上测试了该方法的有效性。此外，我们比较了我们提出的方法与最新的最先进的方法和评估的计算时间。
A 对不同投影方法的评价
我们首先考察了不同投影方法的性能，包括球面距离像、鸟瞰图和我们提出的融合方法。为了便于公平比较，所有的方法都采用我们提出的范围自适应方法来估计法线。
可以清楚地看到，我们提出的融合方法在KITTI训练数据集上获得了最好的结果，这表明地面信息对于具有挑战性的LiDAR里程计场景（如高速公路）是必不可少的。
B 法向量估计的评估
我们研究了不同法向量估计方法的里程计结果，包括两点对的叉积、特征分解和我们提出的距离自适应方法。如表三所示，我们提出的范围自适应方法在很大的幅度上始终优于交叉积和普通特征分解。此外，由于球面距离像上的相邻点位于不同的平面上，叉积法在多个序列中存在漂移问题。此外，本征分解方法对里程计结果有很大的改进。
实验结果如表二所示。结果表明，在KITTI训练数据集上，该方法的平移漂移为0.50%，旋转误差为0.0018 deg/m。图4描绘了我们提出的方法的轨迹。此外，在KITTI测试数据集上，我们得到了0.68%的平移漂移和0.0021 deg/m的旋转误差，其性能优于IMLS，平移误差为0.69%。请注意，IMLS是最先进的激光雷达里程计方法，在已公布的结果中表现最好。与基于球面距离像的方法相比，该方法利用我们提出的投影融合方法和距离自适应正态估计方案，在KITTI基准上显著提高了轨迹精度。与传统的两步地面优化方法（如LeGO LOAM[20]）相比，我们提出的鸟瞰图能够非常有效地捕捉地面信息。
. 图4 基于KITTI-odoemtry数据集的相机轨迹
如表4所示，所提出的方法在商用笔记本电脑上每秒运行约169帧，而IMLS需要1.25秒来处理单次扫描。此外，传统的球面投影法在15Hz左右运行。这表明该方案不仅非常有效，而且由于高效的并行实现，比传统方法快一个数量级。如果采用精度较低的帧对帧优化（每秒238帧），速度可能会更快。最后，该方法在NVIDIA-Jetson-AGX上仅需27毫秒，可能是自主车辆的关键部件。
总结
提出了一种新的有效的激光雷达里程计方法，该方法同时考虑了非地面球面距离像和地面鸟瞰图。此外，本文还引入了距离自适应方法来稳健估计局部曲面法线。此外，我们还提出了一种记忆有效的模型更新方案，以融合不同时间戳的点及其对应的法线。我们对KITTI里程计基准进行了广泛的评估，其令人鼓舞的结果表明，我们提出的方法不仅优于最先进的LiDAR里程计方法，而且在商品膝上型计算机上每秒运行169帧。尽管取得了这些令人鼓舞的成果，但仍应解决一些局限性和今后的工作。目前，我们的方法只考虑激光雷达数据。此外，我们还包含了循环闭合检测。对于未来的工作，我们将通过结合密集图像对齐和后端优化来解决这些问题。
资源
三维点云论文及相关应用分享
【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
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
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