再谈激光SLAM

短命女 2022-11-06 01:59 223阅读 0赞

### 激光SLAM ###

*  1. 激光的分类和特点
 *   *  1.1 特点
     *   *  优点
         *  缺点
 *  SLAM研究历史
 *   *  ekf特征定位（二维）
     *  LOAM
     *   *  特征匹配
         *  特征筛选
         *  特征关联
         *  运动估计
         *  LOAM
     *  讨论

# 1. 激光的分类和特点 #

## 1.1 特点 ##

### 优点 ###

*  可以直接获得深度信息
 *  不受环境光照影响，比较稳定

### 缺点 ###

*  稀疏性
 *  几何信息区分度小

2D 激光点少，大概几千个点。  
3D 激光信息量多，跟图像有很多类似性，但是激光的稀疏性明显，上下和左右相差比较大。左右可是是零点几度，上下就是64根线，或者128根线，所以提取特征不能像图像那样提取，还有一个顺序性，比如40帧数据，从左到右或者从右到左都是等实的。

# SLAM研究历史 #

## ekf特征定位（二维） ##

*  主要形式为角点、线。  
    一般要配以里程计、imu，或者运动模型来提供运动预测算法以ekf、粒子滤波等模型形式。
 *  点或特征的ICP(二维)  
    里程计推导用直接的ICP替代了之前的ekf过程  
    定位使用粒子滤波的方式  
    最优代表性的是gmapping
 *  三维解决方式  
    数据量大了很多，去掉一些点  
    点抽样-> ICP  
    特征 （点、线、面）-> ekf icp  
    NDT

## LOAM ##

### 特征匹配 ###

1.  在扫描 P k + 1 P\_\{k+1\} Pk\+1中提取线特征 ε k + 1 \\varepsilon\_\{k+1\} εk\+1和面特征 H k + 1 H\_\{k+1\} Hk\+1并转换到k+1坐标下
2.  扫描 P k + 1 P\_\{k+1\} Pk\+1投影到k+1坐标下
3.  找对应的特征的当前扫描和临近扫描的对应点(KD-tree)

### 特征筛选 ###

1.  控制数量，区域划分，每个区域只许一条线和一个点
2.  去除歧义点

### 特征关联 ###

1.  评价特征点到线和面的距离
2.  距离评价函数  
     d ε = X ~ ( k + 1 , j ) L − X ‾ ( k , j ) L ∗ X ~ ( k + 1 , j ) L − X ‾ ( k , l ) L ∣ X ‾ ( k , j ) − X ‾ ( k , l ) ∣ d\_\{\\varepsilon\}=\\frac\{\\widetilde\{X\}\_\{(k+1,j)\}^\{L\}-\\overline\{X\}\_\{(k,j)\}^\{L\}\*\\widetilde\{X\}\_\{(k+1,j)\}^\{L\}-\\overline\{X\}\_\{(k,l)\}^\{L\}\}\{|\\overline\{X\}\_\{(k,j)\}-\\overline\{X\}\_\{(k,l)\}|\} dε=∣X(k,j)−X(k,l)∣X(k\+1,j)L−X(k,j)L∗X(k\+1,j)L−X(k,l)L

这个当前扫描的角点到之前扫描的线的距离

### 运动估计 ###

线性化顺序点位置预估： T ( k + 1 , i ) L = t i − t k + 1 t − t k + 1 T k + 1 L T^\{L\}\_\{(k+1,i)\}=\\frac\{t\_i-t\_\{k+1\}\}\{t-t\_\{k+1\}\}T\_\{k+1\}^L T(k\+1,i)L=t−tk\+1ti−tk\+1Tk\+1L  
旋转角表示：  R = e w ^ θ = I + w ^ sin ⁡ θ + w ^ 2 ( 1 − cos ⁡ θ ) R = e^\{\\hat\{w\}\\theta\}=I + \\hat\{w\}\\sin\\theta + \\hat\{w\}^2(1-\\cos\\theta) R=ew^θ=I\+w^sinθ\+w^2(1−cosθ)  
根据上面的评价函数迭代求解。  
根据距离加入信任因子或者直接剔除。  
\#\#\#Ｍａｐｐｉｎｇ

1.  方法类似与里程计，但是对象由近邻扫描替换成已有的地图电云
2.  特征保留较多（１0 times）
3.  类似与ＮＤＴ,对于临近点云进行PCA分析，平面的参数由统计数代替原始点
4.  Mapping 过程相当于一个更高精度的ＶＯ

### LOAM ###

*  室内效果好于室外
 *  可以提高非线性运动的效果

## 讨论 ##

1.  基本思想还是二维的线面特征迭代的思想，还是可行的。
2.  点面特征还不够可靠，后续发展为结合视觉的v-loam
3.  对数据统计分类，通过统计数据代替原始数据，无论从速度还是精度上都是比较有利的
4.  根据激光数据的稀疏性，近阶段的处理方式获得很大的认同，里程计效果好。
5.  激光数据分割、识别可能是个大问题，关系到loop，定位等问题
6.  觉得有orbslam的影子，track和mapping分离