0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

点到点ICP做对了也能实现简单准确且鲁棒的激光里程计

3D视觉工坊 来源:3D视觉工坊 2023-05-09 16:55 次阅读

1 动机与贡献

现有很多LiDAR里程计都依赖于某种形式的ICP估计帧间位姿,例如CT-ICP, LOAM等。现有的系统设计需要对机器人的运动(CT-ICP)和环境的结构(LeGO-LOAM)有一些特定的假设。而且几乎没有系统能够不需要调参(例如特征提取、面特征拟合、法向量估计、畸变矫正)就能用于不同的场景、不同的LiDAR、不同的运动模式、以及不同种类的机器人(例如地面和空中机器人)。

与现有很多工作增加里程计的复杂度相反,本文通过去除大部分部件并专注于核心元素,回顾1992年最初提出的ICP方法,研究阻碍其泛化性能的根本原因,得到了一个简单且非常高效的系统,并且可以使用不同的LiDAR传感器在各种环境条件下运行(无人车、无人机、两轮车Segway、手持固态LiDAR)。

提出的里程计估计方法基于point-to-point ICP,结合了自适应阈值进行对应匹配、鲁棒核、简单但广泛适用的运动补偿方法和点云下采样策略。 和现有很多SLAM系统不同,本文的系统不用精巧的特征提取,学习方法,也不用回环检测

整个系统参数较少,在大多数情况下甚至不需要调整到特定的LiDAR传感器。 不需要集成IMU信息,只需要从各种3D LiDAR传感器获得的3D点云数据,因此能够满足广泛的不同应用和操作条件。 系统运行速度比所有数据集中的传感器帧率都快,并且是为现实场景而设计的。 KISS-ICP (keep it small and simple):

与SOTA里程计系统相当

同一套参数可以用于不同的机器人、不同的环境和运动模式

不依赖IMU或轮速计的高效运动补偿方法

1bf20f0a-e4dc-11ed-ab56-dac502259ad0.png

2 方法

激光里程计主要步骤:

运动估计和运动补偿(畸变矫正)

帧下采样

使用自适应阈值估计scan到local map的对应关系,对可能的数据关联做限制,滤除可能的异常值

用鲁棒的point-to-point ICP进行scan与local map的配准

将下采样的scan更新到local map中

2.1 运动预测和帧畸变矫正

不使用IMU或轮速计,用恒速模型进行运动补偿,主要有两个原因:

应用广泛,不需要其他传感器,也就不需要和其他传感器做时间同步

对于获得LO的初始值和畸变矫正足够了,因为通常LiDAR频率在10Hz到20Hz(50ms~100ms),大多数情况下,加速度或者减速度在短时间内与恒速模型的差距相对较小

用前两帧的相对位姿预测当前帧与前一帧的相对位姿,t-1到t-2的相对位姿为:

1c220fac-e4dc-11ed-ab56-dac502259ad0.png

速度和角速度:

1c37f7ae-e4dc-11ed-ab56-dac502259ad0.png

畸变矫正(投影到扫描开始):

1c544a76-e4dc-11ed-ab56-dac502259ad0.png

2.2 点云下采样

local map的voxel 大小是v,对于scan,先用alpha * v (0 < alpha <= v)的voxel大小进行下采样, 然后 用beta * v (1.0 <= beta <= 2.0)的voxel大小进行下采样,两次下采样的想法源于CT-ICP。 大多数体素下采样方法保留voxel的中心点,不一定位于原点云上,本文实验发现保留原点云的点效果要好一点,因此在实现中,保留第一个插入voxel里的点。

2.3 自适应阈值的scan到local map对应关系估计

用大小为v的voxel存储局部地图,每个voxel最多存N_max个点,scan配准到local map后,用估计的位姿将上述第一次下采样的点云加入到local map中,如果voxel超过了传感器最大距离r_max, 就从local map去除。 一般ICP方法都用某一最大距离范围(例如1m或2m)内的最近邻做数据关联,这个阈值的确定需要考虑初始位姿误差、动态物体种类和数量、以及传感器噪声等,通常是根据经验设定的。

基于恒速运动预测模型,可以估计运动估计的初值与ICP纠正的偏差大小,但这个是不能提前知道的。直观地,可以观察机器人在该偏差上的大小的加速度,如果机器人没有加速,该偏差的大小会很小,接近0,ICP基本不需要做纠正。 将该信息集成到数据关联中,估计两帧之间关联点的距离:

1c6c5210-e4dc-11ed-ab56-dac502259ad0.png1c84dd30-e4dc-11ed-ab56-dac502259ad0.png

旋转部分的偏差对应在扫描最大距离上偏差的大小。

1d0675c0-e4dc-11ed-ab56-dac502259ad0.png

式(5)给出了点偏差的上界(根据三角不等式):

1d337570-e4dc-11ed-ab56-dac502259ad0.png

为了计算t时刻的阈值,假设式(5)的值服从高斯分布,根据已有的轨迹,只考虑当偏差大于delta_min(恒速运动和真实运动相差较大)时,得到标准差:

1d4f1852-e4dc-11ed-ab56-dac502259ad0.png1d65af36-e4dc-11ed-ab56-dac502259ad0.png

只考虑偏差大于delta_min避免了由于机器人静止或者匀速运动很长时间使得标准差估计得太小。实验中将delta_min设为0.1m。最后估计的阈值设为

1d7756e6-e4dc-11ed-ab56-dac502259ad0.png

用于数据关联的最近邻搜索时的距离阈值。

2.4 通过鲁棒优化配准

先通过预测的相对位姿和上一帧的里程计位姿把点云转到全局坐标系(也可以是局部子图坐标系)

1d93be58-e4dc-11ed-ab56-dac502259ad0.png

每次迭代时,点到点残差做ICP配准的优化问题为:

1dabbcb0-e4dc-11ed-ab56-dac502259ad0.png

rho是Geman-McClure鲁棒核函数,一种具有很强的外点剔除能力的M估计器:

1dc3a334-e4dc-11ed-ab56-dac502259ad0.png

第j步迭代完后更新点云

1dde4806-e4dc-11ed-ab56-dac502259ad0.png

然后重复迭代数据关联、优化,直到满足收敛条件。 最后里程计的位姿为:

1df9cf7c-e4dc-11ed-ab56-dac502259ad0.png

式(5)中运动预测和ICP纠正之间的相对位姿为:

1e17b3a2-e4dc-11ed-ab56-dac502259ad0.png

通常ICP会设定一个最大迭代次数,或者加上迭代结果与最小变化量的比较,本文认为限制这些约束可能使ICP不一定能收敛到好的结果,而且可能会累积漂移。

因此,本文的终止条件为迭代结果小于gamma,而限制迭代次数。 最后用ICP纠正后的位姿将第一次下采样的帧加入到local map。

算法的参数设定:

1e334590-e4dc-11ed-ab56-dac502259ad0.png

r_max依赖于传感器种类。

3 实验

公开数据集对比:

1e6525e2-e4dc-11ed-ab56-dac502259ad0.png1e894cec-e4dc-11ed-ab56-dac502259ad0.png1eb38976-e4dc-11ed-ab56-dac502259ad0.png

运动补偿:

1ed37448-e4dc-11ed-ab56-dac502259ad0.png

自适应数据关联阈值:

1ee7ef18-e4dc-11ed-ab56-dac502259ad0.png







审核编辑:刘清

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 机器人
    +关注

    关注

    210

    文章

    28191

    浏览量

    206475
  • SLAM
    +关注

    关注

    23

    文章

    419

    浏览量

    31783
  • ICP
    ICP
    +关注

    关注

    0

    文章

    69

    浏览量

    12755
  • LiDAR传感器
    +关注

    关注

    0

    文章

    38

    浏览量

    5833

原文标题:​KISS-ICP: 点到点ICP做对了也能实现简单准确且鲁棒的激光里程计

文章出处:【微信号:3D视觉工坊,微信公众号:3D视觉工坊】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    ICP元素分析

    ICP:电感耦合等离子体。可用“ICP”来代替“ICP-OES,和ICP-AES”。两者都是指电感耦合等离子体原子发射光谱,是一样的。因为俄歇电子
    的头像 发表于 11-18 17:46 119次阅读
    <b class='flag-5'>ICP</b>元素分析

    浅谈扫地机器人用到的那些电子元器件!

    智能扫地机器人内部的结构用到器件最多的像吸尘器电机、激光扫描雷达、主板(PCBA)、边刷、尘盒检测传感器、里程计、驱动轮等等
    的头像 发表于 11-15 15:54 141次阅读

    性原理在控制系统中的应用

    在现代控制系统的设计和分析中,性是一个核心概念。性指的是系统在面对模型不确定性、外部干扰和参数变化时,仍能保持性能的能力。
    的头像 发表于 11-11 10:26 362次阅读

    深度学习模型的性优化

    深度学习模型的性优化是一个复杂但至关重要的任务,它涉及多个方面的技术和策略。以下是一些关键的优化方法: 一、数据预处理与增强 数据清洗 :去除数据中的噪声和异常值,这是提高模型
    的头像 发表于 11-11 10:25 148次阅读

    性算法在数据处理中的应用

    一、性算法的基本概念 性算法是指在面对数据中的异常值、噪声和不确定性时,仍能保持稳定性能的算法。这类算法的核心思想是提高算法对数据异常的容忍度,从而在数据质量不佳的情况下
    的头像 发表于 11-11 10:22 173次阅读

    性分析方法及其应用

    性(Robustness)是指系统或方法对于外部干扰、误差或变化的稳定性和适应能力。以下是对性分析方法的详细介绍,以及其在不同领域的应用实例。 一、
    的头像 发表于 11-11 10:21 245次阅读

    性在机器学习中的重要性

    在机器学习领域,模型的性是指模型在面对输入数据的扰动、异常值、噪声或对抗性攻击时,仍能保持性能的能力。随着人工智能技术的快速发展,机器学习模型被广泛应用于各个领域,从自动驾驶汽车到医疗诊断,再到
    的头像 发表于 11-11 10:19 199次阅读

    如何提高系统的

    在当今的技术环境中,系统面临着各种挑战,包括硬件故障、软件缺陷、网络攻击和人为错误。性是指系统在面对这些挑战时保持正常运行的能力。 一、定义
    的头像 发表于 11-11 10:17 156次阅读

    基于旋转平移解耦框架的视觉惯性初始化方法

    精确和的初始化对于视觉惯性里程计(VIO)至关重要,因为不良的初始化会严重降低姿态精度。
    的头像 发表于 11-01 10:16 197次阅读
    基于旋转平移解耦框架的视觉惯性初始化方法

    激光尘埃粒子计数器如何使用测出准确的数据

    激光尘埃粒子计数器如何使用测出准确的数据
    的头像 发表于 09-30 10:04 302次阅读
    <b class='flag-5'>激光</b>尘埃粒子计数器如何使用<b class='flag-5'>能</b>测出<b class='flag-5'>准确</b>的数据

    点到多点无源光网络有哪些优点

    : 节省光纤资源 :PON技术通过一个光纤分布网络(ODN)将信号从中心局传输到多个用户,减少了光纤的使用量和铺设成本。相比点到点(P2P)的光纤连接方式,PON可以显著节省光纤资源。 减少设备成本 :由于PON网络中的光分支点只需要安装简单的光分路器,无需额外的有源设
    的头像 发表于 09-23 11:03 216次阅读

    汽车智能化发展重要环节之智能驾驶域控制器

    自动辅助导航驾驶(NOA,Navigate on Autopilot) 主要分为高速NOA和城市NOA两类,在基础L2辅助驾驶功能的基础上,通过与地图导航等功能结合,实现点到点的辅助驾驶功能。
    发表于 04-17 14:29 1951次阅读
    汽车智能化发展重要环节之智能驾驶域控制器

    小鹏汽车:今年智驾实现国内全范围、点到点,明年研发全球范围XNGP

    在最近的小鹏汽车新春启动发布会上,小鹏汽车CEO、董事长何小鹏公布了NGP智能辅助驾驶系统的新时间表。他表示,小鹏汽车计划在2024年实现在国内全范围、点到点的XNGP,覆盖小路、内部路、停车场等场景。此外,公司还计划在2025年研发全球范围的XNGP。
    的头像 发表于 01-31 11:24 712次阅读

    高精地图在自动驾驶的重要性分析

    城市NOA(Navigate on Autopilo,导航辅助驾驶)即针对城市交通环境开发的驾驶辅助系统,主要功能是在高精地图、激光雷达、毫米波雷达等感知层的支持下,实现点到点的智能驾驶,直面上班通勤等出行场景。
    发表于 01-18 09:53 576次阅读

    基于深度学习的LiDAR SLAM框架(DeepPointMap)

    定位准确性:与六种最新的里程计和SLAM方法进行比较,包括KISS-ICP、LeGO-LOAM、SC-LeGO-LOAM、MULLS、CT-ICP和GeoTransformer。在Se
    发表于 12-29 11:48 1061次阅读
    基于深度学习的LiDAR SLAM框架(DeepPointMap)