文章：PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry
作者：Dong-Uk Seo , Hyungtae Lim , Seungjae Lee , and Hyun Myung ,
编译：点云PCL
代码：https://github.com/url-kaist/AlterGround-LeGO-LOAM.git
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。本文来自点云PCL博主的分享，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
许多研究人员对实现用于地面移动平台的快速、鲁棒的激光雷达里程计进行了大量研究，特别是基于地面优化激光雷达里程计通常采用地面分割作为预处理方法，这是因为地面平台上机器人的三维激光雷达传感器捕捉到的三维点云中的大多数点都来自地面，然而，地面分割性能对激光雷达里程计的影响仍然没有深度研究。本文提出了一种稳健的基于地面优化激光雷达里程计框架，以便于基于最先进的方法（SOTA）地面检测分割实现激光雷达的同时定位和建图，通过本文提出的里程计框架，可以简单直接地测试地面分割算法是否有助于提取良好的特征，从而提高同时定位和建图性能，此外，通过利用SOTA地面分割方法Patchwork（即使在性能扰动较小的复杂和不均匀的城市环境中也能实现鲁棒的地面分割）提出了一种新的基于地面优化的激光雷达里程计，称为PAGOLOAM,使用KITTI里程计数据集对这些方法进行了测试，与基线方法相比，PaGOLOAM具有稳健和准确的性能,开源的代码位于https://github.com/url-kaist/AlterGround-LeGO-LOAM
主要贡献
地面分割可以用作预处理方法，因为地面平台上的三维激光雷达捕获的三维点云中的大多数点都来自室外环境中的地面。此外，地面通常是平坦的，因此地面分割也有助于粗略地提取周围的平面特征。因此，地面分割已经在LeGO-LOAM中实现。本文提出了一个鲁棒的基于地面优化激光雷达里程计框架，以便于基于最先进的（SOTA）方法检测地面分割对激光雷达测程的影响的研究。
图1：地面移动平台基于地面分割的激光雷达里程计框架概述，以研究地面分割对激光雷达里程计的影响，通过使用地面分割框架，可以轻松测试地面分割对激光雷达里程计的影响，可以很容易地更改地面分割模块
如图1所示，通过使用我们的里程计框架，测试地面分割算法是否有助于提取良好的特征，从而提高同时定位和建图性能，既简单又容易。此外，通过利用称为Patchwork的SOTA地面分割方法，该方法即使在性能扰动较小的复杂、不均匀的城市环境中也能显示出鲁棒的地面分割，提出了一种新的地面优化激光雷达测程法，称为PaGO LOAM，总之，本文的贡献有三个方面：
据我们所知，这是第一个在复杂城市环境中轻松分析地面分割方法对激光雷达里程计的影响的开源方法。
此外，还提出了一个稳健的基于地面优化激光雷达里程计框架。
与基线方法LeGO-LOAM相比，我们提出的方法在有环闭合和无环闭合的情况下都表现出了良好的性能。特别是，我们的方法在地面更加不平和崎岖的农村环境中显示了显著的位姿精度。
主要内容
A、系统概述
该系统的过程基于LeGO-LOAM分为以下五个步骤：
1）将当前的点云投影到距离图像中，然后进行地面分割。
2） 基于深度图像的平滑程度提取边缘特征和平面特征。
3） 通过使用特征的对应关系获得连续扫描之间的变换矩阵来估计位姿。
4） 将要素映射到全局点云地图。
5） 使用合成的激光雷达里程计累积全局点云地图。在本文中，在步骤1上启用了切换地面分割模块。以下重点介绍了地面优化激光雷达里程计的过程。
B、 地面分割的输入和输出
首先，简要介绍了地面分割的输入和输出，通过将3D激光雷达传感器获取的N个点云分为两部分：估计的地面点Gˆ和非地面点Gˆc。接下来分别投影到距离图像和地面图像中
如图2所示。在LEGO-LOAM方案中，需要投影的深度图像来进行特征提取，更具体地说，通过计算距离图像中每个像素的平滑度，距离图像用于特征提取，地面图像用作图像平面的mask，以从地面和非地面物体中识别平面特征。因此，这些特征用于优化，以估计两个连续帧之间的相对位姿。
C、 现有地面分割的潜在局限性
最初，LEGO-LOAM使用位于图像平面上同一列中的两个点之间的角度差，即与图像平面上的（u，v）对应的点和（u，v-1）上的另一个点在提取地面时，u和v表示图像平面上的两个正交坐标，换句话说，如果角度差小于τθ，则将两个对应点指定为地面，并且不用于边缘特征检测（根据经验，τθ设置为10◦ ).
由于这些原因，它往往对某些噪声敏感，因为地面分割方法仅基于两点的几何关系估计地面点。然而，在城市环境中，地面也可能崎岖不平，甚至，一些对象（如草坪或灌木丛）可能会阻碍地面分割标记地面点，因为它们的形状梯度是任意的，因此，地面的mask可能会被错误标记，这些错误标记的地方可能会导致错误的特征对应。最后，它可能会导致不精确的位姿估计。
D、 鲁棒的基于地面优化的激光雷达里程计
将地面分割模块替换为其他地面分割模块，以测试地面分割对位姿估计的影响，如图2所示，给出了里程计框架的详细过程，将三维激光雷达传感器捕获的三维点云作为地面分割模块的输入，例如 Patchwork 和激光雷达里程计框架，一旦分割出地面点云，我们的方法将原始点云和地面云分别投影到两幅图像中，然后，对未被地面图像标记为地面的像素进行平面和边缘特征的提取，在地面图像中提取先前的平面特征，然后整合地面和非地面物体的平面特征，最后，通过两阶段优化估计里程计，总之，鲁棒的地面分割有助于执行精确的特征提取，根据经验，与基线方法相比PaGO-LOAM显示出更好的里程计性能，这支持更精确的特征提取导致精确的地面优化里程计。
实验
A、 定性的分析地面分割
首先，对LEGO-LOAM和Patchwork中的地面分割模块进行了定性比较。如图3所示，LEGO-LOAM中的地面分割显示了详细的地面估计，然而，它在非平坦区域效果不佳，包括陡坡、复杂交叉口和存在许多路沿的区域，特别是，当遇到崎岖不平的地形或灌木丛区域时，该模块可能很敏感，这是基于线的地面分割的潜在限制。由于这些原因，它会导致分割的特征不足，相反，Patchwork是SOTA地面分割方法，它显示出相对平滑和连续的地面分割性能，并且存在一些误报，与LEGO-LOAM中的地面分割模块不同，Patchwork基于称为bin的每个单元空间的平面拟合来估计地面，因此，它在不均匀环境中更为稳健，特别是，Patchwork的前提是接地点位于bin内沿Z方向的最低部分,值得注意的是，它很少输出误报.相反，LEGO-LOAM中的地面分割有时将灌木或汽车的上部视为地面点,这种现象可能导致里程计框架中的特征匹配不精确。
B、 定量的分析地面分割
接下来，进行定量分析以比较SOTA地面分割方法，理论上，地面分割的性能不应波动，因为激光雷达里程计将连续数据作为输入，换言之，地面分割应保证稳定特征提取和匹配的一致性。因此，性能波动越小越好。从这个意义上讲Patchwork显示出了一种很有前景的性能，如图4所示特别是，Patchwork估计地面的召回率与其他方法相比变化很小。这证实了我们的方法在一致估计地面分割的同时解决了欠分割问题。另一方面，如图4所示，其他方法有时无法估计地面分割,这表明其他方法有时收敛到局部最小值。
图4:在数据集的精度和召回率，SemanticKITTI数据集，地面分割方法应保证在激光雷达测程中稳定的特征提取和匹配的一致性。因此，性能波动越小越好。从这个意义上讲，patchwork显示了一种很有前景的性能，与其他方法相比，召回差异很小
C、 地面分割对激光雷达里程计的影响
最后，检查了地面分割对里程计的影响，我们比较了LEGO-LOAM和激光雷达里程计，其地面分割模块被称为PaGO-LOAM的Pacthwork替代,，分别在无回路闭合情况和回路闭合情况下对这些方法进行了评估，以进行比较。因此，与表一和表二总结的LEGO-LOAM相比，我们提出的激光雷达测程显示出更好的性能。特别是，如图5所示
图5：我们提出的方法与LEGO-LOAM之间的比较，虚线表示估计轨迹，实线表示地面真值
数据集02是一个乡村场景，因此地面更加不平，并且有一个陡坡，因此，LEGO-LOAM中的原始地面分割模块有时可能无法正确估计地面，在其他序列中，性能没有明显差异，我们得出结论，精确而稳健的地面分割可以提高激光雷达里程计的性能，特别是在地面变得不平坦且坡度陡峭的农村场景中。
总结
在本研究中提出了一种稳健的地面优化激光雷达里程计框架，PaGO-LOAM是通过利用SOTA地面分割方法（称为patchwork）提出的,我们的框架验证地面分割对里程计性能的影响，在未来的工作中，我们计划提出更稳健的地面优化激光雷达里程计，并进行更多的定量评估。
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-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）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
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
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。
联系客服
