自动驾驶系统进阶与项目实战(五)使用SC-LEGO-LOAM进行较大规模点云地图构建和闭环优化

自动驾驶系统进阶与项目实战(五)使用SC-LEGO-LOAM进行较大规模点云地图构建和闭环优化

高精度地图和高精度定位目前仍然是L4及以上自动驾驶系统的核心模块之一,成熟的传感器融合定位方法高度依赖高精度地图,L4级自动驾驶系统中,我们所说的高精度地图通常包含两类地图:语义地图(也称为矢量地图)和点云地图,语义地图也就是自动驾驶感知规划重度依赖的地图,包含了大量的路网和交通静态信息,是结构化数据;点云地图,通常为定位模块中的雷达配准定位所使用,是高精度定位的基础,存储类型为非结构化的传感器数据,点云地图本质上也是图商用于构建语义地图的底图之一,所以构建大规模点云地图对于高精度制图和定位的基础之一,本文将详细解析LEGO-LOAM SLAM方法,并且介绍如何使用SC-LEGO-LOAM构建包含闭环检测和优化的较大规模点云地图,最后我们将使用ROS bag实践构建一个较大城区的三维地图。

自动驾驶系统进阶与项目实战(五)使用SC-LEGO-LOAM进行较大规模点云地图构建和闭环优化_第1张图片

LEGO-LOAM简介

LEGO-LOAM是一种使用激光雷达进行实时姿态估计和制图的方法,ICP(iterative closest point) 是目前最常用的点云配准算法,通过在两个点云之间逐点查找对应关系,ICP算法反复对齐两组点云,直到满足停止条件为止,所以ICP处理密度较大的点云配准问题是会存在计算复杂度大的问题,相比之下,一些基于特征的匹配方法具有更高的计算效率,但是需要设计能够满足配准要求的特征描述符,常见的方法包括PFH(Point Feature
Histograms)和VFH(Viewpoint F

你可能感兴趣的:(自动驾驶系统进阶与项目实践)