LOAM: Lidar Odometry and Mapping in Real-time
ABSTRACT
将复杂的SLAM问题分离为两个算法,一个高频低精度的运动估计,另一个低一个数量级的点云匹配和配准算法。
RELATED WORK
雷达扫描速度相对于外部运动较高时,运动的失真常被忽略,标准的ICP方法可以被用于匹配两帧之间的激光。可以进一步使用两段式方法去消除失真:一个基于运动估计的ICP方法,接着使用计算速度的运动补偿。当雷达三秒速度相对较慢时失真变得非常严重,常使用其他传感器(IMU/GPS/INS)提供运动量测来消除失真,再用扩展卡尔曼滤波或局部滤波等方法处理。
只用两线激光雷达时运动估计和失真补偿较困难。一种方法是从稠密的激光点云建立视觉图像,匹配特征点做运动估计,假设线性运动模型。文中从笛卡尔空间提取几何特征并匹配,对点云的密度要求较低。
SYSTEM OVERVIEW
LIDAR ODOMETRY
特征提取:定义算法计算点的光滑度,按光滑度将点进行排序选择特征点,光滑度最小的为边界点,最大的为平面点。找最近的相同特征点作为对应特征点,相邻边界点组成边界线,相邻平面点组成平面,计算点到线、面的距离。
利用边缘点再边界线上,平面点在平面上,对应距离为0建立约束,将点和线、面的距离作为损失函数,非线性最小二乘求解位姿。
EXPERIMENTS
室外特征点提取较少,效果比室内较差,相对于移动距离偏差量分别为2.5%和1.0%左右。可以通过融合IMU数据对估计优化,可小幅降低偏移,特别是在速度变化快时。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)