导航系统中里程计研究综述

点云PCL免费知识星球，点云论文速读。

文章：A Survey on Odometry for Autonomous Navigation Systems

作者：SHERIF A. S. MOHAMED , MOHAMMAD-HASHEM HAGHBAYAN, TOMI WESTERLUND

翻译：particle

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，欢迎转发朋友圈分享快乐。

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[email protected]。

●论文摘要

自主导航系统的开发是构建完全自动驾驶系统的主要挑战之一。完全自主导航不仅要求在GPS信号正常情况下完美工作，而且在GPS不可靠的情况下也能够具有可靠的导航能力。因此，基于里程计系统近年来备受关注。本文对非GPS下的多传感器的里程系统领域的技术现状进行了全面的概述，并确定了未来需要进一步研究的面临的挑战。自给式（就是没有GPS也能计算出车辆自身的位姿）里程计方法分为五种主要类型，即车轮、惯性、激光、雷达和视觉，以上分类主要是依据传感器的类型进行分类的里程计的方法。该领域的研究大多集中在对传感器数据进行全局或局部分析的基础上，来计算车辆的姿态。研究了传感器数据以紧耦合/松耦合方式以及滤波或优化融合方法的不同组合和融合。我们从性能、响应时间、能量效率和准确度等不同的评价指标来分析每种方法的优缺点，为该领域的研究人员和工程师提供有用的指导。最后，对该领域未来的研究方向进行了展望。

● 相关工作与介绍

所以文章主要讨论的是在非GPS的条件下，基于这五种传感器的里程计系统的综述文章。

下图显示了本文中讨论的自定位方法的总体分类。这些包括GPS和五种基本的非GPS导航里程机的方法，即车轮、惯性、雷达、视觉和激光里程计。不同传感器的组合，即多传感器数据融合，通常用于目标检测和里程计方法，以提高系统的精度和鲁棒性。例如，将惯性和视觉里程计结合起来，就产生了一种称为视觉惯性里程计的新方法。相应地，视觉和激光或雷达里程计的结合会产生视觉激光和视觉雷达里程计。视觉惯性里程计方法也可以从两个具体方面进行研究，即它们是基于滤波/优化还是紧密/松散耦合。滤波/优化是数据预处理的主要方法，紧密/松散耦合是相机和惯性测量数据融合的阶段。图1中提到的不同里程计方法将在后面的章节中进行更详细的分析。

● 文章内容

01

轮速里程计

轮速里程计（WO）是车辆自定位的最简单形式之一，已应用于许多转向机器人，如两轮和四轮机器人。在这些车辆中，左右两侧的车轮可以在不同的速度和方向上独立操作。它们有许多应用；美国宇航局的火星探测车（MER）就是此类机器人中的突出例子。轮速里程计的方法是基于安装在机器人上的车轮编码器来跟踪每个车轮的转数。转数被整合到一个车辆的运动模型中，以确定机器人相对于起始点的当前位置。轮速里程计方法受到几个限制。例如，它只适用于地面车辆，而不适用于空中或水上车辆。此外，它还存在位置漂移现象，其中测量误差随着时间累积。此外，由于车轮打滑，轮速里程计系统在复杂不平的地形和光滑地面面上的性能较差。尽管轮速里程计是一种简单且廉价的定位技术，但它不适合于需要精确和长期可靠定位系统。

02

惯性里程计

惯性里程计（IO）或惯性导航系统（INS）是一种定位方法，它使用来自IMU传感器的测量值来确定车辆/机器人相对于给定起点的位置、方向、高度和线速度。IMU传感器是一种MEMS器件，主要由三轴加速度计和三轴陀螺仪组成。加速度计测量的是非重力加速度，而陀螺仪是根据重力和磁力的测量来测量方位的。这些基于MEMS的传感器体积小、功耗低，是无人机和微型机器人等资源受限系统的理想解决方案。此外，基于IMU的导航系统不需要外部参考来精确估计平台的位置。然而，由于来自不同来源的误差，例如陀螺仪测量和加速度计的恒定误差，这些系统存在漂移问题。这些误差将导致估计速度和位置的误差增加。因此，惯性里程计系统不准确，不适合需要长时间定位的应用。为了解决这个问题，人们提出了不同的解决办法。下图说明了惯性导航系统的结构，在该系统中，使用航位推算法对来自IMU传感器的测量值进行整合，以估计当前的车辆的姿态。

03

激光里程计

激光里程计（LO）或激光雷达里程计（LiDAR odometry）是一种通过跟踪周围物体反射的激光散斑图来估计滋生位置和方向的方法。激光雷达对环境光照和低纹理环境不敏感。与旧版本相比，激光雷达传感器变得更小、更轻，因此它们甚至可以连接到微型飞行器（MAV）。一般来说，基于激光雷达的传感过程包括两个主要部分：激光发射和光学观测。当激光雷达扫描速率高于外部运动时，通常使用标准迭代最近点（ICP）方法计算运动对象的速度，以解决单轴3D激光雷达引入的运动失真问题。ICP是一种通用的、标准的三维重建算法，迭代计算两次扫描的点云之间的对应关系，计算使对应点之间的距离最小的变换函数。ICP算法的输入是连续两次激光雷达扫描的两个观测点云，再利用奇异值分解法（SVD）对初始值进行优化。

04

视觉里程计

视觉里程计（VO）通过分析摄像机在一系列图像上的运动引起的变化来估计平台的位置和方向。这一领域早期研究的一个例子是美国宇航局的火星探测计划，其中视觉里程计被用来估计漫游者在崎岖地形中的位置。从更广的角度来看，VO可以看作是structure from motion（SfM）的一部分，这是一种使用一组图像重建3D场景和相机姿势的通用技术。SfM可以基于例如已使用的照相机的数量、照相机校准状态和图像的顺序以各种方式执行。从连续的两帧图像中提取关键信息，通过计算OF来重建三维场景。关键信息（例如角点）是使用图像特征检测器（如Moravec[52]和Harris角点检测器）提取的。重建的场景可以使用束调整或其他离线优化方法进行优化。

有三种不同的标准技术，根据二维或三维点对应的规范，从两组对应关系计算两幅序列图像之间的变换矩阵：

3D-3D对应：在这种情况下，摄像机运动（变换）可以从三维指定的两组对应中计算出来。首先，通过捕获两个立体图像对，提取并匹配它们之间的特征点。第二，三角化每个立体对的3D匹配点。转换是用通过最小化两个3D点集之间的L2距离实现绝对缩放。

2D-2D对应：在这种方法中，变换矩阵是用本质矩阵计算的。本质矩阵定义了两幅序列图像之间的几何关系，并利用极线约束从二维特征对应关系中计算得到。计算本质矩阵的一种简单而常见的方法是使用Nister五点算法[56]。在该方法中，使用一组五个对应的点来确定连续帧之间的相对比例。另一种计算本质矩阵的方法是使用Fischler和Firschein[57]提出的八点算法。这种方法的主要问题是它计算转换矩阵到一个未知的比例因子。

3D-2D对应：该方法的主要思想是通过最小化2D图像上的特征点和三角化后3D对应的2D重投影误差来计算变换矩阵。这个问题也被称为（PnP），它使用一组n个3D点来估计相机的姿势。恢复相机姿势的最小解决方案需要三个3D-2D对应，即所谓的（P3P）。基于3D-2D的运动估计比3D-3D具有更好的精度，因为它可以最大限度地减少图像的重投影误差而不是3D-3D特征位置误差。

VO视觉里程计根据相机位姿，相机类型及方法的分类

VO视觉里程计的一般流程

05

视觉-激光里程计

视觉-激光雷达里程计融合了视觉和激光雷达里程计，克服了激光雷达的局限性，如运动失真和不显著的环境（如高速公路），以及视觉里程计，如漂移和低纹理环境。在中，VISO2和LOAM以松耦合的方式结合在一起。VISO2模块计算两次连续激光雷达扫描之间的转换，以纠正激光点云的畸变。此外，通过结合VISO2的结果和LOAM模块计算的最后一个姿态，初始化激光雷达的位置和方向。然后从校正后的点云中提取形状特征，并与地图上的点云匹配，得到最优状态。与之前使用ICP进行三维数据配准的方法不同，后者的计算成本很高。

06

视觉-雷达里程计

基于视觉的定位系统面临着一些挑战，如场景中缺乏特征、连续帧之间的特征匹配不一致以及光照不足等。此外，VO方法不适合室外应用，因为视觉传感器受环境条件的影响，如雨、雾和雪。克服这些限制的一种方法是将视觉数据与雷达测量数据结合起来，因为雷达对这些问题免疫。在文献中，作者提出了一种无人机定位系统，通过融合来自五个主要传感器（即雷达、摄像机、惯性测量单元、气压计和磁强计）的测量值来精确估计前进速度。所有传感器通过扩展卡尔曼滤波器以松耦合的方式进行融合。

07

雷达-惯性里程计

为了获得精确的运动估计结果，一些方法将雷达数据与IMU测量数据以松耦合或紧耦合的方式融合。将雷达和IMU数据融合到扩展卡尔曼滤波器（EKF）中，以估计飞机的状态。也有提出了一种结合单个雷达数据和陀螺仪测量数据的方法，以获得地面平台的前进速度、侧滑速度和角速度，以克服在光滑路面上里程测量的挑战。

08

视觉-惯性里程计

基于视觉的定位方法受到光照、阴影、图像模糊、帧丢失等多种环境条件的影响。另一方面，基于IMU的方法虽然不受周围环境的影响，但通常会随着时间的推移而恶化。这两种方法的结合可以克服这两种方法的局限性，产生视觉惯性里程计（VIO），它可以提供更高的精确度和鲁棒性。如表1所示，根据视觉和惯性数据的融合方式，VIO可以分为两种方式：基于过滤器的和基于优化的。此外，根据测量值融合的时间，它可以分为松耦合和紧耦合。此外，还有各种摄像机设置，例如单眼、立体、RGB-D和全向摄像机；以及从捕获图像中提取关键信息的不同方法，如基于特征的、直接的和混合的方法。

 state-of-the-art视觉惯导里程计的方法汇总

基于融合方法的分类

松耦合：在松耦合技术中，位置和方向是通过混合来自两个独立子系统（即视觉里程计模块和IMU模块）的姿态估计来确定的。估计数据在后续阶段进行融合，以精确车辆的位置和方向。

 松耦合视觉惯导里程计的流程

紧耦合方法将从捕获图像中提取的关键信息与IMU传感器的原始测量值融合在一起，以获得更好的精度。关键信息可以通过使用图像检测技术（即角点检测器）从图像中提取和跟踪特征点，或者通过使用of算法利用图像的像素强度来获得关键信息。紧密耦合的方法执行视觉和IMU测量的直接和系统的融合，通常比松耦合方法产生更好的结果。这是因为紧耦合框架将图像对齐的关键信息和IMU误差项合并为一个代价函数

紧耦合视觉惯导里程计的流程

滤波方法：基于过滤器的方法是解决VIO和SLAM问题的最早方法之一。它们包括两个主要部分：预测步骤和更新步骤。此外，它们可以被视为最大后验（MAP）方法，其中来自内部状态传感器（例如IMU传感器）的测量值用于计算系统姿态的先验分布，而来自外部状态传感器（例如摄像机）的测量值用于构建似然分布。在基于滤波器的视觉惯性里程计中，车辆的先验分布（动态模型）是通过使用来自IMU传感器的线速度和角速度来计算的。该动态模型用于预测步骤，以预测车辆的运动。此外，在更新步骤中，将关键信息（例如，从捕获的图像中提取的特征或像素强度）用作似然分布（测量模型）来更新预测。基于滤波框架的视觉惯性里程计可分为三类：扩展卡尔曼滤波器（EKF），多状态约束卡尔曼滤波器（MSCKF）和无迹卡尔曼滤波（UKF）

常用定位技术比较

●总结

我们介绍了一个全面的文献综述包含了在非GPS环境的定位方法。这些方法可分为五大类：轮速里程计、惯性里程计、视觉里程计、激光里程计和雷达里程计。每种方法都有一些缺点，主要是在低纹理环境、低光照、阴影、尺度模糊和随时间漂移等条件下进行评估。因此，正如调查中所讨论的，已经提出了这些方法的各种组合和融合，例如可视激光里程计和视觉惯性里程计。车轮里程计是最早的独立定位系统之一，它是利用车轮编码器来估计相对于起点的位置。然而，车轮里程计存在一些缺点，如位置漂移和在不平坦的地形和光滑的路面上不准确。此外，它只能用于地面系统。惯性里程计通过使用加速度计和陀螺传感器的测量值来估计车辆的位置和方向来解决这些缺点。惯性里程计仍然存在漂移问题，因为陀螺仪或加速计中的恒定误差会导致速度的二次误差和位置的三次误差增长。雷达里程计使用天线发射无线电信号来测量车辆周围物体的速度和范围。雷达系统的主要优点是覆盖范围广，不受环境条件（如多云天气）的影响，并且可以在夜间方便地工作，这使得它成为户外应用的合适解决方案。但是，它只能用于目标检测，因为输出分辨率不够高，无法进行目标识别。另一方面，激光雷达发射激光脉冲来探测环境中的物体。与雷达系统相比，激光雷达系统的主要优点是，激光雷达可以使用短波长探测到小目标，并且可以生成周围物体的三维单色图像。然而，它在透明物体（如玻璃）和恶劣天气（如灰尘、雾、雨和雪）方面有局限性。视觉里程计通过从图像中提取关键信息来估计位置和方向。关键信息可以用直接或间接的方法提取。尽管与惯性和轮速里程计相比，视觉里程计提供了更精确的估计，但它仍然存在一些缺点。这些问题主要与计算复杂性和图像条件有关，例如低光照、阴影和低纹理环境。此外，由于视觉里程计是基于相对测量的，因此也存在误差累积引起的漂移问题。提出了视觉里程计的缺点和惯性里程计。基本上，VIO将单个或多个摄像头捕捉到的视觉数据与IMU传感器提供的惯性测量值进行融合，以确定车辆的位置和方向。最先进的VIO方法可以分为松耦合和紧耦合。

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

往期线上分享录播汇总

第一期B站录播之三维模型检索技术

第二期B站录播之深度学习在3D场景中的应用

第三期B站录播之CMake进阶学习

第四期B站录播之点云物体及六自由度姿态估计

第五期B站录播之点云深度学习语义分割拓展

第六期B站录播之Pointnetlk解读

[线上分享录播]点云配准概述及其在激光SLAM中的应用

[线上分享录播]cloudcompare插件开发

[线上分享录播]基于点云数据的 Mesh重建与处理

[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

[线上分享录播]地面点云配准与机载点云航带平差

点云PCL更多活动请查看：点云PCL活动之应届生校招群

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。

分享及合作方式：可联系微信“920177957”（需要按要求备注）联系邮箱：[email protected]，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