LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain
Abstract
提出一种轻量级的ground-optimized雷达定位与建图方法。首先用点云分割滤除噪声点,然后提取特征边界和平面点。
Introduction
轻量级算法在小型嵌入式系统中实现。LOAM应用于本项目时,由于计算资源受限,特征提取的频率无法保证与传感器采集一致。此外在噪声环境下,LOAM的表现同样较差。
首先用点云分割去除不可靠点。ground-optimized方法,两步最优化位姿估计。第一步从地面提取特征点计算,第二步从分割后的点云提取边界特征点计算 。
Segmentation
为时间t采集的一组点,所有点首先被投影到距离图像上。 一个点p被表示为图像上的一个像素。r表示点 到传感器的距离。应用一种基于图像的分割方法,将图像点分为不同的簇,相同簇的像素被打上相同的标签。由此得到一个时间t采集的距离图像,每个像素点拥有三种属性,分别为:1.标签:表示地面点或分割点。2.在距离图像中的行列索引指针。3.距离值。
Feature Extraction
同LOAM方法,计算点的光滑度。根据光滑度排序选取边界和平面点。
Lidar Odometry
寻找对应点之间的联系的方法在LOAM中给出,提出几种提升效率和精度的方法。
- 标签匹配:只在有相同标签的点簇中寻找对应关系,在标签为地面的点中寻找对应平面点,标签为分割簇的点中寻找边界点。因为在相邻两次采集中有相同标签的点簇更可能有对应关系,所以能够提升精度,并且排除需要计算遍历的点数量。
- 两步L-M最优化方法:先通过平面点对应关系计算 ,再通过边界点对应计算 ,减少35%时间情况下得到相同精度。
Lidar Mapping
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@)