LMBAO：应用BA优化的地标地图实现激光雷达SLAM
点云PCL免费知识星球，点云论文速读。
文章：LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
作者：Letian Zhang, Jinping Wang, Lu Jie, Nanjie Chen, Xiaojun Tan, Zhifei Duan
编辑：点云PCL
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。
公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系[email protected]。未经作者允许请勿转载，欢迎各位同学积极分享和交流。
摘要
激光雷达是同时定位和建图（SLAM）的重要组成部分之一。然而，现有的激光雷达倾向于将新的扫描数据与先前的固定姿态扫描数据简单地进行迭代匹配，从而逐渐累积误差，此外，捆集调整（BA）作为一种有效的联合优化机制，由于大规模全局地标的稠密计算，不能直接引入实时里程计。因此，这里设计了一个新的策略，名为激光雷达SLAM中捆集调整里程计（LMBAO）的地标地图，以解决这些问题。首先，进一步开发了基于BA的里程计，并采用了主动地标维护策略，以实现更准确的本地配准并避免累积错误。具体而言，本文在地图上保留了整个稳定的地标，而不是仅仅在滑动窗口中保留其特征点，并根据其活动等级删除地标，接下来，减少滑动窗口长度，并执行边缘化以保留窗口外但与地图上的活动地标相对应的扫描数据，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中具有实时性能，并优于最先进的LiDAR SLAM算法，包括LegoLOAM和VLOM。
主要贡献
我们的系统概述如图1所示，该工作通过使用主动地标维护策略将地图与滑动窗口（其长度在LMBAO中固定为4）分离，进一步开发了激光雷达SLAM的BA里程计，地图被分为参与位姿和速度联合优化的滑动窗口部分，以及提供足够先验约束的窗口外的边缘部分。
图1 我们的工作提出了一种使用主动地标地图维护（包括地标关联和地标删除）的BA里程计，向BA提供所有扫描的地标数据，并仅优化滑动窗口内扫描数据中的位姿（在绿色框中）
我们工作的主要贡献可以总结如下：
我们提出了一种维护本地地标地图的策略，该策略独立于滑动窗口，旨在为地图添加选定的先验约束。由于容量极为有限，局部地标地图适合BA里程测量，以避免累积误差。
我们开发了一个观测计数来控制地标的寿命，并开发了一种中心漂移来丢弃不稳定的地标，成功地避免了来自意外遮挡和动态对象的干扰。
为了加快计算速度，我们减少了滑动窗口中要优化的扫描次数，并结合地标地图执行边缘化，以充分利用先前的约束。通过使用增量协方差矩阵，边缘化保留了与活动地标相关但在窗口之外的扫描数据。
主要内容
A 运动补偿和预测
使用连续运动模型，对特征点进行补偿和预测，以构建地标，存储在地图中的每个地标包含所有点，并形成参与局部BA优化的残差，边缘化用于加快计算速度，如下图2
图2 BA里程计过程
B 用特征点构建地标
提取特征点和构建地标的过程与VLOM中使用的方法类似，一旦新的扫描到达，首先从该单次扫描数据中提取特征点，然后将这些特征点跨多个扫描数据进行关联，以构建存储和维护在地图中的全局地标。
C 从地图中删除地标
为了减少计算负担，同时删除地标以限制地图中的点数，与以前方法不同，它们依赖于滑动窗口，一次扫描数据的特征点在滑出窗口时被删除，我们采用了一种更主动的地图维护策略，该策略使用地标活跃度来区分地标，并充分保留活跃地标的特征点。
D 带边缘化的捆集调整里程计
地标观测残差：每个地标都为BA优化贡献了一个观测残差，即LiDAR扫描的全局姿态优化。
连续因子残差：连续运动模型要求LiDAR运动具有一定的平滑度，这在大多数情况下都能满足。
优化：全局地标是多个扫描数据中特征点关联的结果，因此每个界标的位置和生存时间都不同。通过滑动窗口进行优化。
E 激光雷达建图
基于Lego LOAM的建图部分，我们开发了一种建图算法，该算法充分利用里程计步骤中存储的先验信息，为了改进位姿变换，我们匹配地标L使用周围的点云图进行更新，然后，再次使用L-M方法获得最终姿态。
实验
我们进行了一系列实验来验证所提出的框架的有效性，实验在配备AMD Ryzen7 5800H CPU和16GB RAM的笔记本电脑上使用机器人操作系统（ROS）进行，将我们的算法与最先进的LiDAR SLAM算法进行了比较，包括Lego LOAM和VLOM，然后，我们进行了消融实验，以验证LMBAO在里程计中的改进，最后，我们给出了算法的运行时间。在以下实验中，我们在每个数据集上运行所有比较算法5次。绝对平移误差（ATE）的均方根误差（RMSE）用作评估指标。
A、 公共数据集评估
表一与其他方法相比，我们的方法在所有11个序列上都获得了最佳性能。在UTBM数据集的序列1-5中，我们的方法的误差仅为其他两种方法的一半，在ULHK数据集上，序列长度相对较短，因此我们的准确性有所提高，但程度不是特别明显。
在图3中，我们显示了UTBM数据集序列2、3、4和5的轨迹，包括阴天、夜晚、雪和其他条件，Utbm轨迹的起点和终点放大显示，通过我们的算法获得的红色轨迹的终点几乎与起点重合，整个过程更接近真值。
图3 UTBM数据集上的轨迹比较
B、 基于校园数据集的BA里程计评估
为了验证LMBAO在里程测量中的改进，我们使用自己的校园数据集对地标地图维护和边缘化进行了消融实验。
图4 使用的传感器套件
图5，用我们的方法创建的点云图
C 精度评估
在3个校园序列上评估了Lego LOAM，VLOM、LMBAO-LM和LMBAO的里程计模块，里程计ATE的RMSE如表II所示，LMBAO的这三个序列的结果都超过了其他三种方法的结果。
图6展示了图书馆环路的里程轨迹和地标地图，在地标地图中，滑动窗口内的平面和线条为黄色和浅蓝色，外部的边缘部分为紫色和绿色。
D 运行效率比较
总结
本文提出了一种具有主动地标地图维护（LMBAO）的BA-LiDAR里程计，包括地标关联和地标删除，首先描述了BA地标地图的构建，该地图与滑动窗口分离，以充分利用先验约束，然后，我们在BA里程计中结合界标图进行边缘化，这大大简化了协方差矩阵的计算。与其他SLAM方案相比，我们的方法中的错误地标能够被尽早消除，有利于后续的优化甚至特征提取，这与我们在同一线程中的里程计一起工作。此外，在户外驾驶数据集上的实验表明，LMBAO提高了BA里程计的鲁棒性，在与最先进的LiDAR SLAM算法（包括Lego-LOAM和VLOM）的比较中，LMBAO在精度和效率方面取得了更好的性能。
更多详细内容请加入知识星球查看原文。
资源
自动驾驶及定位相关分享
【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
自动驾驶中基于光流的运动物体检测
基于语义分割的相机外参标定
综述：用于自动驾驶的全景鱼眼相机的理论模型和感知介绍
高速场景下自动驾驶车辆定位方法综述
Patchwork++：基于点云的快速、稳健的地面分割方法
PaGO-LOAM:基于地面优化的激光雷达里程计
多模态路沿检测与滤波方法
多个激光雷达同时校准、定位和建图的框架
动态的城市环境中杆状物的提取建图与长期定位
非重复型扫描激光雷达的运动畸变矫正
快速紧耦合的稀疏直接雷达-惯性-视觉里程计
基于相机和低分辨率激光雷达的三维车辆检测
用于三维点云语义分割的标注工具和城市数据集
ROS2入门之基本介绍
固态激光雷达和相机系统的自动标定
激光雷达+GPS+IMU+轮速计的传感器融合定位方案
基于稀疏语义视觉特征的道路场景的建图与定位
自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）
用于三维点云语义分割的标注工具和城市数据集
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
TOF相机原理介绍
TOF飞行时间深度相机介绍
结构化PLP-SLAM：单目、RGB-D和双目相机使用点线面的高效稀疏建图与定位方案
开源又优化的F-LOAM方案：基于优化的SC-F-LOAM
【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
基于鱼眼相机的SLAM方法介绍
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
