图像配准目的在于比较或融合。针对同一对象在不同条件下获取的图像,因为激光扫描光束受物体遮挡的原因,不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法,常用的算法有最近点迭代算法 ICP和各种全局匹配算法。 ICP(Iterative Closest Point迭代最近点)算法是一种点集对点集配准方法。如下图所示,PR(红色点云)和RB(蓝色点云)是两个点集,该算法就是计算怎么把PB平移旋转,使PB和PR尽量重叠。
师兄:抱歉,抱歉,最近忙于俗事。我后面一起补上,学习劲头得向你们年轻人学习啊!话说,你最近在研究什么呢?
位置识别使SLAM系统具有纠正累积错误的能力,与包含丰富纹理特征的图像不同,点云几乎是纯几何信息,这使得基于点云的位置识别具有挑战性。现有的作品通常将坐标、法线、反射强度等低层特征编码为局部或全局的描述子来表示场景,此外,在匹配描述子时,往往忽略了点云之间的转换,与现有的大多数方法不同,本文探索了使用高级特征(即语义信息)来提高描述子的表示能力,另外,在匹配描述子时,我们尝试校正点云之间的平移以提高精度,具体地说,本文提出了一个新的全局描述子,点云语义上下文信息,它可以更有效地挖掘语义信息来表示场景,本文还提出了一种两步全局语义ICP算法来获得三维姿态(x,y,yaw),用于点云的对齐以提高匹配性能,我们在KITTI数据集上的实验表明,我们的方法比现有的方法有很大的优势。
Differential Information Aided 3-D Registration for Accurate Navigation and Scene Reconstruction
(1)正态分布变换进行配准(normal Distributions Transform)
论文:MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry
本文提出了MAD-ICP,这是一种基于激光雷达里程计(LO)的新型方法。MAD-ICP利用了一种高效且通用的kd-tree数据结构,并结合估计的姿态不确定性动态维护一个稳健的环境模型。
slam (Simultaneous Localization and Mapping)叫即时定位与建图,它主要的作用是让机器人在未知的环境中,完成定位(Localization),建图(Mapping)和路径规划(Navigation)。
ICP(Iterative Closest Point),即迭代最近点算法,是经典的数据配准算法。其特征在于,通过求取源点云和目标点云之间的对应点对,基于对应点对构造旋转平移矩阵,并利用所求矩阵,将源点云变换到目标点云的坐标系下,估计变换后源点云与目标点云的误差函数,若误差函数值大于阀值,则迭代进行上述运算直到满足给定的误差要求.
点云匹配算法是为了匹配两帧点云数据,从而得到传感器(激光雷达或摄像头)前后的位姿差,即里程数据。匹配算法已经从最初的ICP方法发展出了多种改进的算法。他们分别从配准点的寻找,误差方程等等方面进行了优化。下面分别介绍:
https://pan.baidu.com/s/1o-noUxgVCdFkaIH21zPq0A
在逆向工程,计算机视觉,文物数字化等领域中,由于点云的不完整,旋转错位,平移错位等,使得要得到的完整的点云就需要对局部点云进行配准,为了得到被测物体的完整数据模型,需要确定一个合适的坐标系,将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云,然后就可以方便进行可视化的操作,这就是点云数据的配准。点云的配准有手动配准依赖仪器的配准,和自动配准,点云的自动配准技术是通过一定的算法或者统计学规律利用计算机计算两块点云之间错位,从而达到两块点云自动配准的效果,其实质就是把不同的坐标系中测得到的数据点云进行坐标系的变换,以得到整体的数据模型,问题的关键是如何让得到坐标变换的参数R(旋转矩阵)和T(平移向量),使得两视角下测得的三维数据经坐标变换后的距离最小,,目前配准算法按照过程可以分为整体配准和局部配准,。PCL中有单独的配准模块,实现了配准相关的基础数据结构,和经典的配准算法如ICP。
将多个数据集合并成一个全局一致的模型通常使用一种称为"配准"的技术来完成。其关键思想是识别数据集之间的对应点,并找到一个最小化对应点之间距离的变换关系。由于对应点的查找受到数据集的相对位置和方向的影响,因此需要重复这个过程。一旦最小化误差降到给定的阈值以下,就可以说完成了配准。pcl_registration库实现了众多点云配准算法,适用于有序和无序点云的数据集。
在这篇文章将介绍如何使用CUDA-PCL处理点云来获得最佳性能,由于PCL无法充分利用Jetson上的CUDA,NVIDIA开发了一些具有与PCL相同功能的基于CUDA的库。代码地址:https://github.com/NVIDIA-AI-IOT/cuPCL.git(只有动态库和头文件,作者说源码将在未来开源)。
文章;LiDAR Odometry Methodologies for Autonomous Driving: A Survey
标题:LOL: Lidar-only Odometry and Localization in 3D point cloud maps
文章:CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
点云配准的目标是根据原始点云和目标点云,通过配准求出变换矩阵,即旋转矩阵R和平移矩阵T,并计算误差,来比较匹配结果。主要有以下几种比较
Open3D是一个开源库,支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的,并且是为并行化而设置的。
声明: 本文只是个人学习记录,侵权可删。论文版权与著作权等全归原作者所有,小王自觉遵守《中华人民共和国著作权法》与《伯尔尼公约》等国内外相关法律,本文禁止转载!!
标题:Review on 3D Lidar Localization for Autonomous Driving Cars
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
精选论文学习分享,实时分享当前热点算法。论文学习、下载,请关注公众号:CNNer
SLAM算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点,广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及,国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。
两个点云要注册在一块,一般分两个步骤:先做一个大致的对齐,也就是所谓的初始注册,一般可以通过一些可靠的点对来计算得到(如图3所示);然后在初始注册的基础上进行精细注册,提升注册的精度(如图4所示)。精细注册的方法,一般采用ICP算法,也就是最近点迭代的方法。
在上一篇文章 点云配准(一 两两配准)中我们介绍了两两点云之间的配准原理。本篇文章,我们主要介绍一下PCL中对于多幅点云连续配准的实现过程,重点请关注代码行的注释。
同步定位和建图(SLAM)是实现机器人在未知环境下的定位和移动的重要技术方法[1]。定位精度是井下巡检的核心指标,高精度的定位算法是巡检过程中导航和避障的基础。但井下环境复杂,具有低照度、弱纹理、图像特征难以识别的特点[2],给基于视觉的SLAM算法带来了极大的困难。而激光SLAM算法测量距离远、精度高,利用环境的结构特征进行定位[3],在井下环境中更具应用前景[4-5]。
算法步骤:利用二次曲面逼近方法求每点的方向矢量以及曲率;根据曲率确定特征点集;根据方向矢量调整对应关系,从而减少ICP算法的搜索量,提高效率。
http://www.pointclouds.org/documentation/tutorials/#filtering-tutorial 每个模块点击进去后,有demo可以查看
文章:SA-LOAM: Semantic-aided LiDAR SLAM with Loop Closure
Slam:同步定位与建图,就是在定位的同时,建立环境地图。 主要思路是根据运动学模型计算位姿,并通过传感得到的环境信息,对估计位姿调整优化,从而得到准确位姿,根据定位及感知数据绘制地图。 下图为slam主流框架:
摘要:以多视图点云配准为研究对象,对近二十余年的多视图点云配准相关研究工作进行了全面的分类归纳及总结。首先,阐述点云数据及多视图点云配准的概念。根据配准的任务不同,将多视图点云配准分为多视图点云粗配准和多视图点云精配准两大类,并对其各自算法的核心思想及算法改进进行介绍,其中,多视图点云粗配准算法进一步分为基于生成树和基于形状生成两类;多视图点云精配准算法进一步分为基于点云的点空间、基于点云的帧空间变换平均、基于深度学习和基于优化四类。然后,介绍了四种多视图点云配准数据集及主流多视图配准评价指标。最后,对该研究领域研究现状进行总结,指出存在的挑战,并给出了未来研究展望。
除了对应点方式,还可以将点云将与整个形状对齐,获得6D姿态。通常,首先进行粗配准以提供初始对准,然后进行密集配准方法,如迭代最近点(ICP),以获得最终的6D姿态。针对点云方式,挑选了一些相关的paper,在这里做下基本思想分享。
在之前的文章中(ICP方法详细推导),我们介绍了ICP的基本思想与详细的推导。本文将介绍ICP方法的两种改进,分别是:PLICP[1]与NICP[2]。本文将分别介绍两种改进的基本思想,具体算法以及一些补充说明。若有理解不到位和错误之处,请以论文原文为准。
自动驾驶车辆需要准确地感知和理解周围环境,相比于二维的视觉感知,三维视觉感知提供了更多的信息和更准确的空间建模能力。而点云配准是三维视觉感知中的一项基本问题,在自动驾驶中的地图、定位等方面有着重要作用。基于特征匹配的配准算法是点云配准领域的核心框架之一,其主要基于特征相似度求解匹配点对,并结合鲁棒匹配算法得到最终的配准结果,该框架更能够适应自动驾驶场景,但大规模且复杂的点云场景也对点云配准算法的效率和准确性提出了更高的要求。
文章:Do we need scan-matching in radar odometry?
文章:Open3D SLAM: Point Cloud Based Mapping and Localization for Education
文章:Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving
https://www.cnblogs.com/armysheng/p/3422923.html
文章:F-LOAM : Fast LiDAR Odometry and Mapping
是否可以通过将激光雷达与摄影测量技术相结合来提高点云的精度和密度?激光雷达数据可以穿透树木并测量阴影区域,以生成非常精确的点云。被动成像相机可导出更详细的 3D 模型,并使用多光谱信息对点云进行编码,从而实现有用的彩色点云分类。如果有可能合并这些技术呢?中性密度滤镜会对点云颜色产生什么影响?本文更详细地探讨了定量和定性点云增强。
文章:LOAM: Lidar Odometry and Mapping in Real-time
点云拼接,配准,注册说的是同一个概念,就是寻找对齐不同点云之间的空间变换的过程。找到这种转换的目的包括将多个点云拼接为全局一致的模型,并将新的测量值映射到已知的点云以识别特征或估计其姿势
文章:STD: Stable Triangle Descriptor for 3D place recognition
日前,苹果公司正式发布了2020 iPad Pro。设备采用A12Z芯片,并包括Ultra Wide摄像头和液态视网膜显示屏,以及常规的摄像头、传感器和扬声器阵列。但亮点功能是LiDAR扫描仪将用作深度传感器,而它具有促进全新层次AR体验的潜力。
论文地址: http://arxiv.org/pdf/2107.00382v1.pdf
对于自动驾驶汽车来说,在未知环境中的实时定位和建图非常重要。本文提出了一种快速、轻量级的3D激光雷达SLAM,用于大规模城市环境中自动驾驶车辆的定位。文中提出了一种新的基于深度信息的编码方法,可以对具有不同分辨率的无序点云进行编码,避免了点云在二维平面上投影时丢失维度信息。通过根据编码的深度信息动态选择邻域点来修改主成分分析(PCA),以更少的时间消耗来拟合局部平面。阈值和特征点的数量根据距离间隔自适应,从而提取出稀疏的特征点并均匀分布在三维空间中。提取的关键特征点提高了里程计的准确性,并加快了点云的对齐。在KITTI和MVSECD上验证了该算法的有效性和鲁棒性。里程计估计的快速运行时间为21ms。与KITTI的几种典型的最先进方法相比,所提出的方法将平移误差减少了至少19%,旋转误差减少了7.1%。
标题:Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping
领取专属 10元无门槛券
手把手带您无忧上云