點云PCL免費知識星球，點云論文速讀。

文章：Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping

作者：Kailai Li, Meng Li, and Uwe D. Hanebeck

編譯：點云PCL

代碼：https://github.com/KIT-ISAS/lili-om

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。文章僅做學術分享，如有侵權聯系刪文。未經博主同意請勿擅自轉載。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

摘要

我們提出了一種新的緊耦合的激光雷達慣性里程計和建圖方案，用于固態和機械激光雷達，針對前端，基于特征的輕型激光雷達里程計為自適應關鍵幀選擇提供快速運動估計，針對后端，通過邊緣化執行基于分層關鍵幀的滑動窗口優化，以直接融合IMU和LiDAR測量值。針對新近發布的固體激光雷達Livox Horizon，提出了一種新的特征提取方法來處理預處理過程中的不規則掃描模式，LiLi-OM（ Livox LiDAR-inertial odometry and mapping）具有實時能力，在使用Livox Horizon的公共數據集和實驗中，兩種類型的激光雷達都比最先進的系統具有更高的精度。源代碼和記錄的實驗數據集在https://github.com/KIT-ISAS/lili-om。

圖1: LiLi-OM的Schloss Karlsruhe三維地圖

主要貢獻

這是一種新的緊密耦合激光雷達慣性里程計和建圖方案，該方案具有固態激光雷達的特定傳感器，針對Livox Horizon的不規則掃描模式，提出了一種新的特征提取方法，為了以統一的方式直接融合激光雷達和IMU測量，提出了一種基于分層關鍵幀的方案，使用滑動窗口優化，該系統一般適用于常規和部署的固態激光雷達，它能夠實時運行，并提供優于現有系統的里程計精度，我們發布了建議系統的開源代碼和Livox Horizon和Xsens MTi-670記錄的新固態激光雷達慣性數據集，由于便攜式平臺的低硬件成本和實時性能，我們的系統為各種場景中的移動感知提供了一個經濟高效的解決方案。

主要內容

圖 2:?整個系統的流程

整體方案方案如圖2所示，3D激光雷達（如Livox Horizon）以10 Hz的常用頻率輸出點云，并與六軸IMU同步，以更高的頻率提供陀螺儀和加速度計測量值（如Xsens MTi-6705為200 Hz），我們希望估計出激光雷達框架的六自由度運動，同時獲得全局一致的地圖，首先使用陀螺儀數據對激光雷達掃描得到的原始點云進行下采樣和旋轉去畸變，然后，提取代表平面和邊的特征點，給定預處理的掃描點云，一個基于輕型掃描匹配的配準模塊以幀到模型的方式運行，用于快速運動估計，并利用點到邊和點到平面度量。獲得的自運動估計進一步用于消除當前掃描的平移失真，以及根據場景變換自適應地選擇關鍵幀，與預處理和激光雷達里程計平行，激光雷達和IMU測量在后端通過建議的基于關鍵幀的滑動窗口優化以統一的方式融合。

A 基于特征的固態激光雷達掃描點的匹配

現有的三維激光雷達特征提取方法不適用于Livox Horizon，圖3通過將一次激光雷達掃描分為四個階段來說明其掃描模式（10 Hz）

圖3:Livox Horizon與真實場景的掃描模式，根據具有彩虹顏色比例的時間戳渲染點，藍色斑點描繪了完整的掃描。

圖4：針對固態激光雷達所提出的特征提取方法的圖示

針對固態激光雷達特征點提取的偽代碼

圖5：從固態激光雷達提取點云（藍色）的特征

B 基于關鍵幀滑動窗口優化的緊耦合激光雷達慣性融合

基于關鍵幀的方案最初被提出并廣泛應用于視覺里程計，以實現實時精確跟蹤，如圖所示，本文提出的融合方案利用關鍵幀建立滑動窗口，其中通過非線性優化方式融合關鍵幀處的激光雷達和預積分IMU測量，當窗口在優化后向前滑動時，構建了一個局部因子圖，其中包含兩個歷史關鍵幀姿勢作為約束，以及由IMU測量初始化的常規幀姿勢，調用小比例因子圖優化以獲得激光雷達頻率下的規則幀姿態。

圖6：使用基于關鍵幀的滑動窗口優化的緊耦合激光雷達和慣導融合方案

實驗

使用ROS在C++中實現了激光雷達和慣導建圖系統，系統是為Livox Horizon開發的，名為LiLi-OM，然而，由于其通用后端融合，它也適用于傳統旋轉激光雷達，因此，對該系統的兩個版本進行了評估：使用所提出的特征提取方法為Livox Horizon提供的原始LiLi OM和其變體LiLi-OM使用旋轉激光雷達，評估是基于公共數據集和實驗采集的數據集進行的，所有激光雷達幀頻均為10 Hz。

提出的LiLi-OM，實時的實現了所有數據集的最佳跟蹤精度（粗體）如下表所示：

如圖7-（A）所示，移動平臺配備了Livox Xsens套件，為了與高端機械旋轉激光雷達進行比較，我們在機載安裝了Velodyne HDL-64E，并將其與Xsens MTi-G-700 IMU（六軸，150 Hz）同步，在圖7（B）的Fraunhofer IOSB園區記錄了三個序列：（1）結構化場景中的短路徑，（2）灌木叢中，以及（3）長軌跡。

圖7：FR-IOSB數據集的實驗裝置

圖8：兩種方法的建圖結果比較

如圖9-（A）所示，Livox Xsens傳感器套件進一步部署在背包平臺上，用于城市場景中的大規模測試。

圖9：（A）使用提出的傳感器套件記錄KA城市（B） 從Schloss-2上的LiLi OM建圖

如圖10所示，LiLi-OM使用該方案的低成本傳感器套件提供精確的里程計和地圖結果

下表展示了具有典型配置的LiLi-OM的特征提取統計數據，提取的特征在預處理時按幀計數，而在后端融合時僅按每個關鍵幀計數相關特征。

總結

在這項工作中，我們提出了一種新的用于實時激光雷達慣性里程計和建圖的傳感器融合方法，建立了一種基于關鍵幀的分層方案，通過滑動窗口優化直接融合激光雷達和預積分IMU測量，給定優化的關鍵幀狀態，通過因子圖優化獲得規則的幀姿勢，提出的激光雷達慣性里程計和建圖系統普遍適用于常規激光雷達和小型FOV的固態激光雷達，針對Livox Horizon的不規則且獨特的掃描模式設計了一種新的特征提取方法。Livox Horizon是一種新發布的無自旋固態激光雷達，其價格遠低于傳統3D激光雷達，使用Livox對常規激光雷達的公共數據集和實驗進行評估，結果表明，與最先進的激光雷達/激光雷達慣性里程計系統，該系統仍有很大潛力可供開發。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的面向固态激光雷达和惯导的里程计和建图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。