IMLS-SLAM：基于3D数据的扫描到模型匹配

每天一分钟，带你读遍机器人顶级会议文章

标题：IMLS-SLAM: scan-to-model matching based on 3D data

作者：Jean-Emmanuel Deschaud

来源：2018 IEEE International Conference on Robotics and Automation (ICRA)

编译：孙钦

审核：颜青松，陈世浪

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

机器人社区已经对同时定位和建图（SLAM）问题进行了很好的研究，特别是使用单目，双目摄像机或深度传感器。3D深度传感器，如Velodyne雷达，在过去10年中已被证明对于自动驾驶中的环境感知非常有用，但是很少有方法直接将这些3D数据用于里程计。我们提出了一种仅基于3D雷达数据的新型低漂移SLAM算法。我们的方法依赖于扫描到模型的匹配框架。我们首先使用一个基于LiDAR扫描的特定采样策略。然后，我们将模型定义为先前已定位的LiDAR扫描，并使用隐式移动最小二乘（IMLS）曲面来表示该模型。

图1 本文方法在扫描点云上的采样策略，图中红色的点是被采样的点，用于扫描匹配。我们可以看到远离传感器中心的点可以更好地锁定旋转和大部分平面区域上点，以便更好地匹配。

图2 经典ICP扫描匹配方法与我们的IMLS扫描到模型框架示意图。蓝点是来自先前n次扫描的带有噪声的点云Pk。红点是新扫描的点。第一行显示了ICP点到面匹配的第一次和最后一次迭代的示例。在每次迭代中，我们最小化到最近点的距离。第二行显示了第一次和最后一次迭代IMLS点到模型的距离示例。黑色虚线是IMLS表面。在每次迭代中，我们最小化到IMLS表面的距离之和。

图3 我们IMLS SLAM方法的生成的部分点云，栅栏的可见细节显示我们对每次激光扫描的运动有一个很好的假设。

图4 本文IMLS SLAM方法在Lille市的定位（图中红色轨迹）和建图效果。

我们使用了Velodyne HDL32进行实验，结果显示，在没有任何闭环（约束）的条件下，在4 km的采集（数据）中仅有0.40％的漂移。我们使用Velodyne HDL64在KITTI基准数据集中测试了我们的解决方案，它是排名最好的算法之一（针对单目，双目和LiDAR的方法），且全局漂移仅为0.69％。

图6 本文IMLS SLAM（红色轨迹）方法与经典的scan-to-scan匹配方法（黑色轨迹）对比。绿色的点是这两种方法的起点，两个蓝色的圈是它们各自的终点。可以看到本文方法两圈轨迹叠很好地加在一起了。

表1 本文方法有与LOAM方法的对比。

Abstract

The Simultaneous Localization And Mapping (SLAM) problem has been well studied in the robotics community, especially using mono, stereo cameras or depth sensors. 3D depth sensors, such as Velodyne LiDAR, have proved in the last 10 years to be very useful to perceive the environment in autonomous driving, but few methods exist that directly use these 3D data for odometry. We present a new low-drift SLAM algorithm based only on 3D LiDAR data. Our method relies on a scan-to-model matching framework. We first have a specific sampling strategy based on the LiDAR scans. We then define our model as the previous localized LiDAR sweeps and use the Implicit Moving Least Squares (IMLS) surface representation. We show experiments with the Velodyne HDL32 with only 0.40% drift over a 4 km acquisition without any loop closure(i.e., 16 m drift after 4 km). We tested our solution on the KITTI benchmark with a Velodyne HDL64 and ranked among the best methods (against mono, stereo and LiDAR methods) with a global drift of only 0.69%.