点云PCL免费知识星球，点云论文速读。
文章：Lightweight 3-D Localization and Mapping for Solid-State LiDAR
作者：Han Wang, Chen Wang, and Lihua Xie
编译：点云PCL
代码：https://github.com/wh200720041/ssl_slam.git
欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
摘要
LiDAR传感器由于在同步定位和建图（SLAM）中的重要作用，已成为最重要的感知设备之一，现有的SLAM方法主要针对大型机器人经常采用的机械式激光雷达传感器，最近，固体激光雷达变得流行起来，因为它为小型机器人提供了一种经济高效且重量轻的解决方案，与机械式激光雷达相比，固态激光雷达传感器具有更高的更新频率和角度分辨率，但也具有更小的视场（FoV），这对现有的激光雷达SLAM算法来说是非常具有挑战性的。因此，有必要为这种新型传感装置提供一种更为稳健且计算效率更高的SLAM方法。为此，我们提出了一种新的固态激光雷达传感器SLAM框架，包括特征提取、里程估计和概率地图构建，在仓库机器人和手持设备上对所提出的方法进行了评估，在实验中，使用Intel L515固体激光雷达证明了我们方法的准确性和效率，结果表明，我们的方法能够提供精确的定位和高质量的地图。我们在网站上公布了源代码：https://github.com/wh200720041/ssl_slam.git
图1：仓库环境中的室内定位和建图示例，该方法被集成到用于仓库运行的AGV中，该方法能够在嵌入式微型计算机上提供实时定位和稠密建图。
主要贡献
在这项工作中，作者提出了一种新的轻型固体激光雷达SLAM框架，包括特征提取、里程计估计和概率地图构建，受现有激光雷达SLAM方法（如LOAM和lego-LOAM）的启发,我们提出了一种新的旋转变体特征提取方法，该方法利用水平和垂直曲率。该方法在移动平台上提供了实时定位,为了评估其性能，我们进行了全面的实验。
本文的主要贡献如下：
我们提出了一个全SLAM固体激光雷达框架，目标是解决小视场、高更新频率的感知系统，并将提出的方法开源。
我们提出了一种改进的特征提取策略，能够在显著旋转下搜索一致的特征，此外，李代数用于迭代姿态估计，因此姿态以无奇异性格式存储对所提出的方法进行了全面的评价。更具体地说，我们将Intel L515固态激光雷达集成到AGVs中，并在复杂的仓库环境中测试所提出的方法。
该方法能够提供实时定位，并且在旋转情况下具有鲁棒性。
主要内容
该系统由三个主要模块组成，即特征提取、里程计估计和概率地图构建。
图2：所提出方法的系统概述，它包括三个主要模块：特征提取、里程计估计和概率图构建，分别以黄色、蓝色和红色突出显示
A. 特征提取
固态激光雷达将所有传感器集成在单个硅芯片上，无需移动部件，与机械激光雷达相比，它通常具有更高的分辨率和更新频率，因此，计算量可能比较大，无法匹配原始点云，受LOAM的启发，我们利用了更高效的边缘和平面匹配，在处理数据之前，根据测量的距离去除噪声点，据观察，由于反射强度较低，最大检测范围附近的读数通常较不准确，因此我们对这些噪声点进行了预处理滤波。
B.里程计位姿估计
里程计估计是基于历史激光扫描点在全局坐标系下估计机器人当前姿势的任务，传统的轨迹估计方法是扫描点到扫描点的匹配或扫描到地图的匹配，“扫描帧到扫描帧”配准方法将当前帧与最后一帧对齐，然而，与局部地图相比，单个激光扫描帧包含的周围信息较少，从长远来看会导致漂移，因此，我们使用扫描帧到地图的匹配来提高性能，为了降低计算量，采用了滑动窗口方法，利用相邻帧的边缘特征和平面特征构建局部特征地图。
迭代法进行里程计估计的过程伪代码如下
C. 概率地图
构造全局地图一般通常比较大，并且在计算上无法使用每一帧对其进行更新，因此，我们只使用关键帧来更新和重建地图，根据以下标准选择关键帧：
（1）如果机器人的位移足够显著（即大于预定义阈值）。
（2）如果旋转角度（包括横滚、俯仰、偏航角变化）变化较大。
（3）如果经过的时间超过某个时间段，在实践中，旋转和平移阈值是基于传感器的FoV定义的，而最小更新率是基于处理器的计算能力定义的，为了提高搜索效率，使用八叉树构造全局地图。
实验
A. 实验设备
该方法首先在配备VICON系统的房间中进行了评估，然后，它在用于仓库操作的自动引导车辆（AGV）上实现，我们分析了该方法的性能，并与现有的激光雷达SLAM进行了比较，为了进一步说明该方法的鲁棒性，还将该方法集成到用于三维扫描的手持设备中，在我们的实验中，使用Intel Realsense L515进行演示，这是一个小型视场固态激光雷达，它比智能手机更小、更轻，因此可以在许多移动机器人平台上使用。该算法使用C++实现，并在Ubuntu 18.04和ROS 上实现。
B.性能评估和比较
为了评估定位结果，我们的方法与VICON系统提供的真值进行比较，机器人由手动控制，在尺寸为4m×4m的VICON室内移动，结果如图3所示，其中地面真值的轨迹和我们的方法分别以红色和绿色绘制，平均计算时间为每帧31ms，该方法实现了5cm的平移误差，与广泛用于激光雷达SLAM的LOAM进行了比较，根据L515的传感器特性改变LOAM中的垂直角度和水平角度输入，同时保持边缘和平面特征的数量不变。LOAM的结果以橙色绘制，很明显，当旋转较大时，LOAM会发生跟踪损失，而我们的方法仍然能够精确跟踪。
图3：提出的方法与LOAM和地面真值之间的比较，当转速较高时，LOAM会失去跟踪，而所提出的方法能够精确跟踪，以米为单位。
C.仓库机器人的性能
在仓库环境中运行的AGV上评估该算法，在一家先进的工厂里，机器人应该能够自动运输、加工和装配产品，这就要求机器人在具有移动操作员和其他机器人的复杂且高度动态的环境中有效地定位自身。在本实验中，所提出的方法被集成到工业AGV中，如图4所示环境中。
图4：仓库环境中的室内定位和建图示例，（a） AGV平台用于仓库运行，前端安装有固态激光雷达，重建的地图显示在中间，我们随机挑选了两个地方进行说明，（b） 和（d）是原始相机视图。（c） 和（e）基于所提出的方法重建场景，轨迹以绿色绘制
图5：在手持式扫描仪上集成所提出的方法，（a） 使用固态激光雷达作为感知系统的轻型手持式扫描仪。（b） 定位和建图结果，轨迹以绿色绘制。
固体激光雷达返回水平方向，我们记录角度偏差，当最终角度偏差大于10度时，考虑跟踪丢失的情况，该方法与A-LOAM进行比较，结果如表二所示，可以看出，与A-LOAM相比，该方法具有更高的成功率。
总结
在本文中，我们提出了一个全SLAM的固态激光雷达系统框架，它是一种新兴的激光雷达系统，与传统的机械式激光雷达相比，具有更高的更新频率和更小的视场，该系统主要包括旋转不变性特征提取、里程计估计和概率地图构建。该方法能够在嵌入式微型PC机上支持实时定位和稠密地图构建，已经进行了全面的实验来评估该方法，包括在仓库AGV和手持移动设备上的实验，结果表明，该方法能够在高频下提供可靠、准确的定位和建图，它可以在大多数移动平台上实现，如无人机和手持式扫描仪，并且公开了源代码。
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目标检测：MV3D-Net
三维点云分割综述（上）
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）
win下使用QT添加VTK插件实现点云可视化GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云的语义分割综述
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
基于局部凹凸性进行目标分割
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
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
【开源方案共享】ORB-SLAM3开源啦！
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
