经典激光slam配准及回环检测框架：ScanContext

2024-05-14 15:23:04

论文名称：

Scan context: Egocentric spatial descriptor for place recognition within 3d point cloud map

论文链接：

https://ieeexplore.ieee.org/document/8593953

开源代码链接：

https://github.com/irapkaist/scancontext

总结：

这篇文章介绍的是如何用激光点云做场景识别、定位或回环检测。

步骤：

（1）对一帧点云数据，以雷达坐标系为原点，划分20个环，每个环分为60等份。即1200个格子。将其再展开为一个矩形图像，20行60列。

（2）遍历点云的每个点，对坐标进行计算，投影到其所在的栅格坐标（即栅格的行列），并记录下这个栅格中点云的高度（z值）最大值。形成一个带高度的俯视图，或者地形图，记为scan context。

（3）对每一行和每一列分别求平均数，得到两个向量。一个20*1的，记录的是每一行的平均值，记为ring key；另一个是1*60，记录的是每一列的平均值，记为sector key。

（4）用ring key向量构造kdtree，并执行knn搜索，找到可能的发生回环的相似帧，并得出对应的平移值。（如果是帧间匹配则只需要计算和上一帧的平移）

（5）分别对所有候选相似帧（此处应该有运动补偿），使用sector key，进行左右平移，计算相差（二范数）最小的平移值，即为对齐时所需要的旋转偏移量。

（6）因为（5）是用每列的平均值做的比较，缺乏准确性，最后再需要以（5）计算的偏移量为基础，重新对scan context施加偏移（这里有个范围），精确计算偏差量。

（7）经过（6）的精确配准计算，得出的平移量和偏移量，解算后即为位姿之间的关系。

今晚刚看完了这篇文章和主要代码，先写个思路总结，过几天再详细总结。。。

经典激光slam配准及回环检测框架：ScanContext相关推荐

高仙技术家|SLAM(二)——完善回环检测的视觉SLAM
高仙技术家|SLAM(二)--完善回环检测的视觉SLAM 高仙是全球较早从事自主移动技术研发与应用探索的机器人公司之一.成立至今,高仙不断打磨并完善了机器人全场景移动技术,并通过全球超过50+机型.1 ...
SLAM笔记（七）回环检测中的词袋BOW
1.词频 (摘自阮一峰博客,参见附录参考) 如果某个词很重要,它应该在这篇文章中多次出现.于是,我们进行"词频"(Term Frequency,缩写为TF)统计.考虑到文章有长短之 ...
综述 | SLAM回环检测方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨任旭倩来源丨计算机视觉life 在视觉SLAM问题中,位姿的估计往往是一个递推的过程,即由上一 ...
视觉SLAM⑪----回环检测
目录 11.0 本章目标 11.1 概述 11.1.1 回环检测的意义 11.1.2 回环检测的方法 11.1.3 准确率和召回率 11.2 词袋模型 11.3 字典 11.3.1 字典的结构 11. ...
最全综述 | SLAM中回环检测方法收藏
在视觉SLAM问题中,位姿的估计往往是一个递推的过程,即由上一帧位姿解算当前帧位姿,因此其中的误差便这样一帧一帧的传递下去,也就是我们所说的累积误差.一个消除误差有效的办法是进行回环检测.回环检测判断 ...
Iris: 比ScanContext更加精确高效的激光回环检测方法（IROS 2020）
论文阅读<LiDAR Iris for Loop-Closure Detection>(IROS 2020 Oral) 代码已开源: https://github.com/JoestarK ...
SLAM前端中的视觉里程计和回环检测
1. 通常的惯例是把 VSLAM 分为前端和后端.前端为视觉里程计和回环检测,相当于是对图像数据进行关联:后端是对前端输出的结果进行优化,利用滤波或非线性优化理论,得到最优的位姿估计和全局一致性地图. ...
详解 | SLAM回环检测问题
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文经知乎作者fishmarch授权转载,二次转载请联系作者原文 ...
视觉SLAM回环检测、词袋模型和视觉位置识别--论文记录和实验简析
一.传统方法部分(词袋模型,bag of words,BoW) 1. 预先在环境中采集足够多的图像或者所有位置的图像(成千上万张图片)之后构建视觉词汇表参考论文:2012年的TRO顶刊 Gálvez ...

最新文章

热门文章