用于自动驾驶的激光雷达里程计方法综述

文章；LiDAR Odometry Methodologies for Autonomous Driving: A Survey

作者：Nikhil Jonnavithula1 , Yecheng Lyu1 and Ziming Zhang

编译：点云PCL

来源：arXiv 2021

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。内容如有错误欢迎评论留言，未经作者允许请勿转载，欢迎各位同学积极分享和交流。

公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起每交流一起进步,有兴趣的可联系微信：920177957（请务必按照文章尾部要求备注添加，否则不予通过）。

摘要

车辆里程计是自动驾驶系统中非常重要组成部分，因为它计算车辆的位置和方向，里程计模块在全球导航卫星系统（GNSS）信号弱且噪声大的城市地区有较高的影响。传统的视觉里程测量方法在姿态估计过程中会受到光照状态的影响，并且会产生误差，随着误差的积累，会产生无法消除的较大误差，使用LiDAR设备的里程计吸引了越来越多的研究兴趣，因为LiDAR设备对光照变化具有鲁棒性，在本次调查中，我们检查了现有的激光雷达里程计方法，总结了方案，并简单描述了几个相关算法。此外，现有的激光雷达里程计方法按其对应类型进行分类，并在每个步骤中分析其优点、缺点和相互关系，最后，我们通过KITTI里程计数据集比较了这些方法的准确性和运行速度，并概述了未来的研究方向。

图1，激光雷达帧预处理中的示例说明

图2，激光雷达帧特征提取示例

图3，回环闭合示意图，激光雷达里程计后处理中的示例。

图4。激光雷达帧间变换估计中示例说明。

介绍

车辆里程计是自动驾驶系统中车辆定位模块的重要组成部分，与需要外部信号（如GNSS信号）的基于GNSS/INS的定位不同，车辆里程计利用本地传感器的读数来跟踪车辆的运动，以便在外部信号受阻或高噪声的情况下获得可靠的测量。例如，在城市峡谷、隧道和山谷中，由于多径误差，全球导航卫星系统信号噪音很大，而里程计模块不受影响。此外，里程计方法将车辆定位在三维中，这有助于车辆在多级道路中的定位，而二维GNSS/INS系统很容易混淆，传统方法上，车辆里程计算法基于摄像机图像帧。然而，视觉里程计算法有几个缺点：

（1）性能受照明变化的影响，

（2）视觉里程计是在与世界坐标不一致的图像坐标中估计的，相反LiDAR设备主动发射激光束，以避免照明变化的影响，并直接在世界坐标系下测量距离，这使其成为车辆里程计任务的理想选择。

本文综述了激光雷达里程计领域的现有工作。本文还介绍了现有的点云配准工作，因为它们可以适用于激光雷达帧对之间的变换估计，这是激光雷达里程计中的一个关键步骤。

主要内容

在过去的几十年中，已经发表了几种方法来解决激光雷达里程计问题。根据点云配准步骤中使用的类型对应关系，工作主要遵循三个分支：

（1）基于点对应的方法，

（2）基于分布对应的方法，

（3）基于网络对应的方法，图5对此进行了总结。

    图5，根据对应类型总结激光雷达里程计方法

A.基于点对应的方法

迭代点云（ICP）方法是最早的方法之一，目前仍在用于激光雷达里程计应用，算法的工作如表1所述。

在过去三十年中，基于ICP的方法有所增加，如TrimmedICP、GICP、SparseICP、AA-ICP、SemanticIP、Suma++、DGR和ELO，基于点对应的方法从激光雷达帧中提取关键点，建立关键点对，并根据关键点对估计变换，ICP方法的一个主要缺点是：当点云较远时，容易出现局部极小值。TrimmedICP是ICP的一个扩展，它结合了LTS方法，使算法能够在50%以下的重叠度点云中运行，ICP的点对面变体算法通过利用表面法线信息提高了性能。广义ICP是将ICP和点对面ICP算法结合到一个单一的概率框架中，这种方法优于ICP和点对面方法，相比之下，对不正确的对应关系更具鲁棒性，GICP除了具有与ICP类似的速度和简单性外，还有助于增加测量噪声、离群值和异常值后来，SemanticICP和IMLSSLAM等方法为解决激光雷达里程计问题提供了新的方向，IMLS-SLAM对动态对象进行预处理，并在激光雷达扫描上采用采样策略，使用隐式移动最小二乘法（IMLS）从先前的激光雷达扫描中定义模型表面表示，SemanticICP进行联合几何和语义推理，通过将像素化语义测量纳入到估计两个点云之间的相对变换中来改进配准任务，在这里，点关联被视为潜在随机变量，这导致期望最大化解决方案，由于语义标签和EM数据关联的合并使用，SemanticICP优于GICP。

SALO、DCP、DeepVCP等论文与基于Sufal的方法SuMa和SuMa++一起发表，SALO利用激光雷达传感器硬件，并使用新的下采样和点匹配抑制方法改进ICP算法,其优点是集成了传感器的物理特性，以提高激光雷达里程计的精度, DCP论文讨论了点云数据的球面投影，以降低输入数据的维数,像SuMa++这样的方法有一个语义步骤，RangeNet++提供了逐个点云的标签，用于过滤动态对象的像素，并向扫描点云配准时添加语义约束，在这方面，它的表现优于SuMa。DGR、DMLO和SROM是最近的几种方法，其中基于三个模块的DGR方法将普罗克斯特误差用于里程计估计，当采用球面投影时，属于不同曲面的点可以在距离图像中相邻，最近的一些方法是Zhu等人提出了一种处理点云稀疏性的不同方法，即使用圆柱形投影代替球形投影，以及利用鸟瞰图的ELO，解决了上述问题。

B.基于分布对应的方法

基于正态分布变换方法是解决激光雷达里程计应用中的配准问题的一种常见的方法，在过去二十年中，已经提出了多种NDT版本，如3DNDT、PNDT-LO、增强NDT和加权NDT。这些方法的关键步骤是将输入点云转换为相等的单元大小，然后计算正态分布，然后将其与其他点云的其他正态分布进行比较，并计算分配分数，该算法找到增加分数的旋转和平移，最初的NDT方法主要用于2D扫描点的配准，3D-NDT除了将这种方法扩展到三维外，还具有优势，因为它形成了一种平滑的分段空间表示法，有助于完成3D-NDT地图的生成、后配准。该方法也优于初始方法，如点云配准任务的ICP。

LOAM发布了一种重要的基于NDT的里程计估算方法，该方法在KITTI里程计数据集的测试性能中仍具有较高的地位，它没有里程计的预处理，在LOAM中，选择边缘和平面面片上的特征点，评估平滑度以识别边和平面点，并采用点到边和点到平面扫描点匹配来实现两次扫描帧之间的转换，在PNDT中，与经典NDT不同，在计算平均值和协方差时计算每个点的概率分布函数，从而提高平移和旋转精度，其优点是在所有占用的单元中生成分布，而与分辨率无关。

基于LOAM变体的legoLOAM以增加在两次扫描帧之间找到对应于同一物体的匹配的可能性，此外，还采用了两步LM优化，允许与LOAM类似的精度，同时实现35%的运行时间缩短。DeLiO首次在激光雷达里程计中介绍了解耦的平移和旋转模块，但是，DeLiO不处理动态对象，然而，一种称为加权NDT的方法通过分别为概率较大或较小的点分配较大或较小的权重来解决环境中的点云匹配问题，一种叫做SLOAM的LOAM变体引入了语义特征比基于纹理的线和平面更可靠的概念,这使得SLOAM在非结构化噪声环境中具有更鲁棒的优势，基于激光雷达的环路闭合检测忽略了强度信息，并使用几何描述子，但ISC-LOAM利用强度信息促进有效的位置识别，激光雷达里程计的最新方法是F-LOAM和R-LOAM,就运行时间而言，F-LOAM优于LOAM和LegoLOAM,然而，与LOAM相比，R-LOAM是对LOAM的一种改进，因为加入了网格特征的额外成本，导致平均APE降低,就KITTI里程计数据集的性能而言，对仅有lidar传感器的LOAM一直表现良好，并且其旋转和平移误差最小。

C.基于网络对应的方法

基于网络的方法是指在激光雷达里程计方案中的姿态估计模块中使用神经网络，与基于ICP和NDT的方法相比，使用深度学习作为点云配准步骤的激光雷达里程计领域的方法相对较新，尽管如此，在基于深度学习的视觉里程计方面已经有相当多的工作。针对点云的深度学习的PointNet和PointNet++是针对点云对象分类和零件分割任务而提出的流行论文，它包含了一个新的网络，该网络直接的输入点云，而不必像其他方法那样使用体素化，接下来，介绍了一种称为LO-Net的端到端方法，该方法接收激光雷达点云数据并计算扫描帧间6自由度相对姿态，作为一种端到端的可训练方法。

L3-NET混合了多种方法，mini_PointNet用于特征提取，3DCNS用于正则化,大多数方法都是有监督的学习方法，但论文DeepLO首次介绍了几何感知激光雷达里程计的有监督和无监督框架,DeepLO还将顶点和法线贴图合并为网络输入，而不会造成精度损失。LodoNet将PointNet分类体系结构调整为旋转和平移估计模块,但与LO-Net不同，平移和旋转模块是分开的，因此在里程计结束时有两个3自由度预测。与DCP和LeGOLOAM类似，输入激光雷达点云的球面投影采用类似LodoNet的方法进行，以便以二维表示三维数据，这有助于利用相对较少的计算资源。

激光雷达里程计问题的标准ICP方法的主要限制是，由于里程计回归和关键点匹配函数的耦合性质，存在训练损失不收敛的潜在问题。而在LodoNet中，为了提高网络的鲁棒性和有效性，采用了基于PointNet的MKP选择模块来解决分割问题,解决多视角问题是激光雷达里程计应用中尚未解决的挑战。

最新的作品有D3DLO、PWCLO和OverlapNet，尽管D3DLO和DeepCLR具有类似的网络架构，但D3DLO使用了3.56%的网络参数，这样一来，与DeepCLR相比，它的性能稍逊于DeepCLR，但成功地将点云大小减少了40-50%，另一方面，采用分层嵌入掩码优化的PWCLO在KITTI里程计序列的平移和旋转误差方面优于LodoNet、LOAM、DMLO和LO-Net。这些年来，基于网络的方法有了很大的改进，像D3DLO这样的方法与LOAM的运行时间相匹配，而DeepCLR在运行时间方面的表现甚至是前者的两倍。

性能比较

表I和表II中所示的所有仅使用激光雷达的里程计方法已在公开的KITTI里程计数据集上进行了比较。

表I，DeepLO在大多数序列中表现良好，与其他序列相比，DeepVCP在所有11个序列中的平均性能最好，从表II可以看出，基于NDT的LOAM是激光雷达里程计的最佳方法，旋转和过渡误差最小,但是，许多其他方法与运行时性能指标相匹配，甚至优于运行时性能指标。ELO在所有列出的运行时间中具有最佳的运行时间，运行时间为0.005s。对于自动驾驶系统的利用率和部署，运行时间是一个非常重要的指标。MULLS、CPFG-SLAM、3DOF-SLAM、DeepCLR、F-LOAM和ELO在运行时性能方面优于LOAM, ELO方法具有与LOAM相当的误差性能，并且在测试集中具有更优越的运行时间，在训练集中的平均性能也优于LOAM,ELO似乎是将实时激光雷达里程计应用于自动驾驶的最佳方法。自动驾驶中高效的激光雷达里程计

总结

本文综述了激光雷达里程计的现有工作，并将其分为点对应法、分布对应法和基于网络对应法,还展示了KITTI里程计数据集上的评估，在调查中，我们发现每种方法都有其优缺点，此外，有几项工作探索了融合不同方法以获得更好的里程估计的方法，例如DCP使用深度神经网络生成点对应，从而获得了有希望的结果，关于未来的研究方向，基于融合的方法被建议用于精确的激光雷达里程计估计。

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，请后台发送“知识星球”获取二维码，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：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