文章：Ground-SLAM: Ground Constrained LiDAR SLAM for Structured Multi-Floor Environments
作者：Xin Wei , Jixin Lv , Jie Sun, Shiliang Pu
编辑：点云PCL
来源：arxiv 2023
欢迎各位加入知识星球，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。
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dianyunpcl@163.com。
摘要
本文提出了一种名为Ground-SLAM的3D LiDAR SLAM算法，该算法利用结构化多楼层环境中的地面信息，以优化主要由LiDAR测量偏差引起的位姿漂移。Ground-SLAM基于众所周知的位姿图优化框架进行开发，在前端，使用LiDAR里程计（LO）进行运动估计，引入了一种新颖的以传感器为中心的滑动的地图，通过基于误差传播模型过滤掉过期的特征点来维护。在每个关键帧中，滑动地图被记录为一个局部地图。附近的地面被提取出来，并被建模为形式为最近点（CP）参数化的无限平面地标。然后，不同关键帧中观察到的地面平面被关联起来，并将地面约束融入到位姿图优化框架中，以优化LO的位姿漂移。最后进行闭环检测，并联合最小化残差误差，从而可能导致一个全局一致的地图。实验结果表明了所提方法在准确性方面的优越性能。
主要贡献
为了提高3D LiDAR SLAM结果的准确性和鲁棒性，已经进行了大量的研究工作，例如多传感器融合，协同的端到端技术和语义信息等。就我们最关注的而言，大多数LO方法在其扫描到地图的过程中使用基于距离的方法来维护滑动地图，这种方法大致上会从当前状态中移除地图范围之外的特征。此外，在特定情况下，这可能会导致维护的地图不一致，这种情况在LiDAR绕过小建筑物移动时会发生，观测部分被遮挡，姿态误差在有限区域内累积，如图2所示。
图2. 蓝线代表LiDAR的真实轨迹，而红线表示由LO估计的轨迹。由于不可避免的位姿漂移，第一个位姿观测到的特征与最后一个姿态观测到的特征是不重合的。
此外，LiDAR测量噪声及其对SLAM结果的影响尚未在机器人领域得到足够的关注，比如从路面观察到的点会轻微弯曲，由LO估计的轨迹容易沿着道路的垂直方向漂移，如图1(a)所示。
图1. 建图结果中地面点与拟合地面平面之间的上视图距离。(a) 由于LiDAR测量偏差，出现了可预测的姿态漂移。具体而言，当建图车辆在地面平面上移动时，SLAM结果会向上漂移。结果是，组合的地面会变形成向上的碗状。(b) 在地面观测约束融入SLAM过程后，组合的地面变得平坦。
所以本文提出了一种3D激光雷达（LiDAR）SLAM算法，利用结构化多楼层环境中的地面约束来提高SLAM结果的准确性。本文的主要贡献如下：
提出了一种以传感器为中心的滑动的地图维护方法，可以通过基于观测的方法高效地消除冗余特征并保留必要的特征。
提出了一种局部地面对应方法，用于在连续的关键帧之间关联地面平面地标。
提出了一种3D LiDAR SLAM算法，利用室内多楼层环境中的地面约束来优化由LiDAR测量偏差引起的漂移。
内容概述
所提出的框架的简要概述如图3所示。在预处理模块中，使用扩展卡尔曼滤波（EKF）方法将IMU和轮式编码器测量融合，以提供高频运动估计结果。通过使用运动估计结果减小了LiDAR扫描的运动失真。去畸变的LiDAR扫描点被用于使用点到平面ICP算法估计连续扫描之间的相对变换。通过维护一个以传感器为中心的滑动的地图，克服了LiDAR扫描稀疏性，并提高了LO的准确性。传感器为中心的滑动地图在每个关键帧被记录为一个局部地图，并使用加权最小二乘方法提取地面平面。确定了在不同关键帧上观测到的地面平面之间的局部对应关系。然后，地面观测约束被融合到姿态图优化框架中。主要是减小位姿漂移，特别是由LiDAR测量偏差引起的垂直漂移，从而提高了LO的结果轨迹的准确性，随后进行回环闭合检测，将新关联的关键帧之间的环路闭合边添加到位姿图中。最后，最小化残差误差，组装出一个全局一致的地图。
图3 系统框架
基于传感器中心的滑动地图的LiDAR Odometry
我们的LiDAR Odometry方法主要由两部分组成：扫描帧到地图的配准框架和基于观测的传感器中心滑动地图的维护。设计用于传感器中心滑动地图更新的基于观测的维护方法包含以下步骤：
1）首先，通过检查预定义的距离度量，如欧氏距离、马氏距离等，将配准的新扫描点与滑动地图点关联起来。2）然后，选择关联的滑动地图点，并将它们的不确定性重置为其关联的新扫描点的协方差矩阵，这通常被称为观测误差。
3）将捕获到相当不确定性的滑动地图点进行过滤。在实践中，只要相应的协方差矩阵的迹超过阈值，就会删除该点。
4）最后，未能关联的配准扫描点将作为新的观测添加到滑动地图中， 基于观测的维护方法会过滤掉具有相当不确定性的点，同时保留并更新观测特征。因此，滑动地图的一致性和密度得到了保留，这是接下来的扫描配准和运动估计所需的重要要求。
地面提取
为了利用几何地面约束，我们引入了一个合理的假设，假定车辆附近的地面点可以被建模为一个无限平面。首先，在每个关键帧上，从传感器中心滑动地图中分割出靠近车辆的地面点。然后，通过在分割点上应用随机采样一致性（RANSAC）算法，估计初始的无限平面CP参数。
地面对应估计
由于本文将地面建模为一个平面地标，因此需要将在不同位置提取的地面平面进行关联。图4展示了在结构化多层室内环境中进行地面对应估计的经典场景。
图4. 在地面对应估计期间的帧之间的变换。
假设有几个连续的关键帧Fi，其中 i = 1, … , n 是关键帧的数量。每个关键帧具有由LO提供的估计姿态和带有估计参数 θ 和其不确定性 Σ 的观测地面平面。因此，剩余的问题是确定这些观测地面平面之间的对应关系。解决这个问题的一个直接方法是通过在一个相同的坐标框架下使用距离度量（例如，欧氏距离）来比较它们的参数以关联地面平面。然而，LO的误差会累积，并且这个误差会传播到平面参数中。因此，可能会发生错误的数据关联。需要注意的是，LO会在短期内略微漂移，并保持高精度。此外，室内陆面通常结构良好，在多层交汇处地面参数变化剧烈，如图4所示。因此，我们在连续的两个关键帧之间进行局部地面对应估计。
联合姿态图优化
在确定了观测地面平面之间的对应关系之后，将地面观测约束融合到姿态图优化框架中，以优化LO的姿态漂移，如图5(b)所示。
图5. Ground-SLAM中的两步优化策略，在第一步中，通过地面观测约束来优化LO的漂移，然后进行鲁棒的闭环检测，以获得全局一致的地图。
实验
我们在两个数据集上对算法进行了评估，第一个数据集是KITTI Vision Benchmark的里程计数据集。第二个数据集是HIKVISION数据集，我们在建图车辆上安装了一个具有40个扫描线，配置为10 Hz的LiDAR，100 Hz的IMU和轮式测距仪，以及10 Hz运行的RTK-GPS。我们使用绝对轨迹误差（ATE）指标将里程计和SLAM轨迹与RTK-GPS的地面真值轨迹进行比较。需要注意的是，所有帧都已与地面真值对齐。在比较里程计时，我们将LOAM算法用作对照，将LeGO-LOAM算法用作对照。所有在KITTI Sequence 00和05数据集中的实验统计分析结果都已列在表格I、表格II、表格III和表格IV中。通过这些结果，我们展示了我们的关键贡献的影响。
图7. Ground-SLAM在KITTI 00和05序列中的轨迹和生成的点云。虚线黑色轨迹对应于实际轨迹，绿色轨迹对应于Ground-SLAM。
图8. 开放平坦停车场和HIKVISION校园的卫星地图，蓝色和橙色圆圈分别代表起点和终点，红色线条是数据采集路径。
图9. HIKVISION数据集中Ground-SLAM生成的点云，颜色编码表示高度。
图10. (a)(b)(c) 地下多层停车场中Ground-SLAM的点云地图，颜色编码表示高度。(d) LOAM的侧视点云地图结果，两个楼层不平行。(e) LeGO-LOAM的侧视点云地图结果，两个楼层部分重叠。
总结
本文提出了一种名为Ground-SLAM的地面约束LiDAR SLAM算法，一种用于传感器中心滑动地图的新颖基于观测的维护方法，并且利用地面观测约束来提高SLAM结果的精度。Ground-SLAM最初是为结构化的多层环境设计的，在这种环境中，通常缺乏全局姿态观测，而且LO的垂直漂移很难减小。然而只要地面大致平坦，Ground-SLAM在户外场景中也可以正常工作。正如我们的实验评估所示，Ground-SLAM在室内多层甚至一些户外环境中实现了与最先进的SLAM/LO算法相媲美甚至更好的姿态估计结果。Ground-SLAM的主要缺点是适应户外场景的能力。从理论上讲，Ground-SLAM可能会在地面坡度逐渐变化的特定环境中失败，导致地面平面对应不当。我们还计划整合语义信息，以提高LiDAR SLAM结果的准确性和鲁棒性。
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
自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）
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
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知识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
