港科大最新开源 | 具有在线外部校准的多激光雷达系统

会员服务 ·

港科大最新开源 | 具有在线外部校准的多激光雷达系统

2020 年 11 月 10 日 计算机视觉life

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

本文转自当SLAM遇见小王同学

/ 导读 /

标题:Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration

作者:Jianhao Jiao、Haoyang Ye、Yilong Zhu、Ming Liu,

编译: 王子龙

论文地址:

https://arxiv.org/abs/2010.14294

代码:

https://ram-lab.com/file/site/m-loam

摘要

本文提出了一种系统来实现多激光雷达的同时外部校准、里程计和建图.我们的方法从测量预处理开始,从原始测量中提取边缘和平面特征.经过运动和外部初始化过程后,基于滑动窗口的多激光雷达里程计runs onboard,通过在线校准细化等来估计姿态.我们进一步开发了一种建图算法来构建全局地图,并优化具有足够特征的位姿,以及一种建模和减少数据不确定性的方法.我们通过对十个序列(总长度为4.60公里)的校准和SLAM的广泛实验来验证我们的方法的性能,并将它们与最新技术进行比较,我们证明了所提出的工作对于各种多激光雷达设置来说是一个完整、鲁棒和可扩展的系统.

介绍

为了解决一些挑战,我们提出了M-LOAM.这是一个用于多激光雷达外部校准、实时里程计和建图的鲁棒系统.在没有人工干预的情况下,我们的系统可以从几个外部未校准的激光雷达开始.在我们以前的工作中,我们提出了基于滑动窗口的里程计来融合激光雷达点和惯性测量单元测量值.本文对该框架进行了扩展,试图解决多激光雷达融合问题.此外,我们引入了一种基于运动的方法来初始化姿态,并使用[19]中提出的工具来表示姿态的不确定性.我们的贡献如下

自动初始化.计算所有关键状态,包括连续帧之间的运动以及后续阶段的外部状态.它可以从任意位置开始,而无需任何机械配置或校准对象的先验知识.

具有一般收敛标准的在线自校准与里程计同时执行.它能够以完全无监督的方式监控收敛并触发终止

基于滑动窗口的里程计可以联合利用来自多个激光雷达的信息.这种实现被解释为 small-scale frame-to-map 的配准,这进一步减少了由连续帧到帧的里程计积累漂移.

从传感器噪声、退化姿态估计和外部扰动中捕获并 propagates 点的不确定性.这种方法使地图绘制过程具有不确定性,有助于我们保持全球地图的一致性,并增强系统对长期导航任务的鲁棒性.

据我们所知,M-LOAM是第一个完整的多激光雷达校准和SLAM解决方案,整个系统在手持设备和自动车辆上进行了广泛的实验,涵盖了从室内办公室到室外城市道路的各种场景,性能优于基于SOTA激光雷达的方法.最后我们公开发布了我们的代码、实现细节和多激光雷达数据集.

(图一)

我们看到了系统的直接结果.不同激光雷达感知的原始点云被去噪并提取边缘和平面特征,在右上角显示为蓝点(边缘点)和红点(平面点).进行在线校准以获得准确的外部信息.之后,里程计和建图算法使用特征来依次估计姿态.绘图的轨迹(绿色)比里程计的轨迹(红色)更精确.

系统

下图是室内测试手持设备.两台VLP-16分别安装在左侧和右侧.附带的摄像头用于记录测试场景.校准点云由左(红色)和右(粉色)激光雷达点组成.

下图是用于大型室外试验的真实车辆.四个RS-16s分别安装在顶部、前部、左侧和右侧.校准点云由来自顶部(红色)、前部(绿色)、左侧(蓝色)和右侧(粉色)激光雷达的点组成.

实验

我们在三个平台上进行了模拟和真实实验,以测试所提出的M-LOAM的校准和SLAM性能.首先我们校准多激光雷达系统,将提出的算法与SOTA方法进行了比较,并引入了两个指标进行评价.其次,我们展示了M-LOAM在覆盖室内环境和室外城市道路的各种场景中的SLAM性能.此外,为了评估M-LOAM对外部误差的敏感性,我们在手持设备和车辆上对M-LOAM进行了不同程度的外部扰动测试.最后,我们提供了一项研究,以综合评估不同激光雷达组合的系统的性能和计算时间.

下图是RHD03garden的结果.(a)在一个花园里生成的地图,以及M-LOAM估计的轨迹.这些点的颜色从蓝色到红色不等,表示高度变化(从0米到23米)(b)真实场景图像

下图是穿越HKUST学术大楼的rhd04building结果及不同方法估算的轨迹(总长700米).地图已经与谷歌地图对齐,这些点的颜色从蓝色到红色不等,表示海拔高度的变化(从0米到40米).

其他实验结果:

结论

在本文中,我们提出了一个完整和稳健的解决方案,用于多激光雷达SLAM,这种方法包含几个理想的特征,包括噪声去除的快速分割、运动和外部初始化、具有收敛识别的在线外部校准、紧密耦合的M-LOAM和不确定性感知的多激光雷达建图.我们进行了广泛的实验,涵盖了从室内办公室到室外城市道路的场景,以供评估.我们的方法校准不同平台的多种激光雷达系统,它产生厘米级的平移精度和十进制的旋转精度,与基于SOTA目标的方法相当.对于SLAM,所提出的系统在中等规模(>150米)的场景中通常达到40厘米以下的定位精度,在大型城市道路(>3.2公里)中达到几米的定位精度.

从0到1学习SLAM，戳↓

视觉SLAM图文+视频+答疑+学习路线全规划！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~