【泡泡点云时空】基于增量分割的3D点云定位方法(ICRA2018-4)

2018 年 10 月 7 日 泡泡机器人SLAM
【泡泡点云时空】基于增量分割的3D点云定位方法(ICRA2018-4)

泡泡点云时空,带你精读点云领域顶级会议文章

标题:Incremental Segment-Based Localization in 3D Point Clouds

作者:Renaud Dubé, Mattia G. Gollub, Hannes Sommer, Igor Gilitschenski, Roland Siegwart, Cesar Cadena, and Juan Nieto

来源:ICRA 2018

播音员:程枭

编译:任乾

审核:郑森华

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

由于从3D数据中提取信息的复杂性,基于3D点云的定位变得更有挑战性,本文提出了一种增量方法,可以有效解决这一问题。该方法首先在动态体素网格中计算观测值并选择性地更新受插入影响的点法线。基于区域增长的增量分割算法跟踪单次分割的演变,从而基于几何的划分和缓存实现有效的分割策略。增量式的分割策略可以在城市路段实现10Hz的全局定位,和同类的方法相比,速度提高了7.1倍。算法的高效率使得其完全可以适用于实时定位的场景,并且可以运行在低价格、低功耗的系统上。我们的方法将在论文出版之后开源,并且会提供系统的操作说明。

定位流程

图1显示了基于增量式分割方法的定位流程,机器人从右向左行驶,如图中橙色所示,在持续行进的过程中通过提取、跟踪、合并的方式实现分割,在t=2时刻完成基于地图的匹配定位,匹配如图中绿线所示。

图1  实现流程举例

Abstract

Localization in 3D point clouds is a highly challenging task due to the complexity associated with extracting information from 3D data. This paper proposes an incremental approach addressing this problem efficiently. The presented method first accumulates the measurements in a dynamic voxel grid and selectively updates the point normals affected by the insertion. An incremental segmentation algorithm, based on region growing, tracks the evolution of single segments which enables an efficient recognition strategy using partitioning and caching of geometric consistencies.  We show that the incremental method can perform global localization at 10Hz  in a urban driving environment, a speedup of x7.1 over the  compared batch solution. The efficiency of the method makes it  suitable for applications where real–time localization is required and enables its usage on cheaper, low–energy systems. Our implementation will be available open source after publication along with instructions for running the system.

如果你对本文感兴趣,想要下载完整文章进行阅读,可以关注【泡泡机器人SLAM】公众号。

欢迎来到泡泡论坛,这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题,或者想刷帖回答问题,泡泡论坛欢迎你!

泡泡网站:www.paopaorobot.org

泡泡论坛:http://paopaorobot.org/forums/


泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成,希望大家珍惜我们的劳动成果,转载请务必注明出自【泡泡机器人SLAM】微信公众号,否则侵权必究!同时,我们也欢迎各位转载到自己的朋友圈,让更多的人能进入到SLAM这个领域中,让我们共同为推进中国的SLAM事业而努力!

商业合作及转载请联系liufuqiang_robot@hotmail.com

登录查看更多
9

相关内容

根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity)。 根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。 结合激光测量和摄影测量原理得到点云,包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)。 在获取物体表面每个采样点的空间坐标后,得到的是一个点的集合,称之为“点云”(Point Cloud)
小贴士
相关论文
Qingyong Hu,Bo Yang,Linhai Xie,Stefano Rosa,Yulan Guo,Zhihua Wang,Niki Trigoni,Andrew Markham
7+阅读 · 2019年11月25日
Shaolei Wang,Wanxiang Che,Qi Liu,Pengda Qin,Ting Liu,William Yang Wang
4+阅读 · 2019年8月15日
Monocular Plan View Networks for Autonomous Driving
Dequan Wang,Coline Devin,Qi-Zhi Cai,Philipp Krähenbühl,Trevor Darrell
5+阅读 · 2019年5月16日
Jesus Zarzar,Silvio Giancola,Bernard Ghanem
3+阅读 · 2019年3月25日
Associatively Segmenting Instances and Semantics in Point Clouds
Xinlong Wang,Shu Liu,Xiaoyong Shen,Chunhua Shen,Jiaya Jia
4+阅读 · 2019年2月28日
Stereo R-CNN based 3D Object Detection for Autonomous Driving
Peiliang Li,Xiaozhi Chen,Shaojie Shen
5+阅读 · 2019年2月26日
Simultaneous Localization and Mapping (SLAM) using RTAB-MAP
Sagarnil Das
5+阅读 · 2018年9月9日
Rajesh Doriya,Paresh Sao,Vinit Payal,Vibhav Anand,Pavan Chakraborty
4+阅读 · 2017年1月29日
Top