Intensity-SLAM: Intensity Assisted Localization and Mapping for Large Scale Environment
IEEE ROBOTICS AND AUTOMATION LETTERS-2021 开源
零碎知识点
1.同时利用lidar的几何和强度信息进行slam，强度信息贯穿在前端里程计部分和后端优化部分。
2.强度信息对于鲁棒的回环检测非常有用；
3.文章首先分析了强度测量的物理模型，然后在里程计部分将强度代价引入了几何代价中，最后将基于强度的回环检测和后端优化结合起来一块优化。
4.建立强度图展示强度分布；
5.ICP方法对噪声很敏感，在自动驾驶中的噪声（路旁的树木的测量值）会很明显，进而导致定位漂移；
6.在DeepICP中，基于端到端学习的3D点云配准寻找机器人的位姿，强度通道和几何通道被引入深度特征提取（DFE）层以找到关键点。不是搜索最近的点，而是使用对应点生成 (CPG) 层根据一组候选者之间的学习匹配概率生成关键点对应关系，这使得反向传播成为可能。
7.“Intensity-assisted ICP for fast registration of 2D-LIDAR”提出用于2D-LIDAR快速配准的强度辅助的ICP，引入目标函数，根据空间距离和强度残差确定初始刚体变换估计，使得算法可以在单核CPU上实时运行。
8.“Towards intensity-augmented slam with LiDAR and ToF sensors”将强度模型纳入稀疏束调整（SBA）估计问题，分析了强度测量的物理模型，提出了一种增强3D定位、强度和表面法线的新测量模型。在较少的地标点下实现了相同的精度。
本文方法
1.强度校准
激光雷达发射激光束后可以测量到耗费时间以及反射信号的能量，所以可以利用强度信息。
强度值由接收到的激光束能量与发射的激光束能量之间的比率确定，接收功率的物理原理可以确定为：
强度测量值为：
物体表面反射率仅与入射角和测量距离
有关：
对于激光雷达扫描帧，距离可以容易得测量到，入射角可以通过分析局部法向量进行估计。对于
一个点,搜索两个近邻点
和
，局部表面法向量表达为：
入射角为：
因此，可以通过原始点云的几何读数和强度读数
推导出校正强度
。（如何推导？）在一些传感器中，默认情况下通过距离测量对强度进行校准，因此仅将校准应用于入射角。此外，低强度值通常导致较低的信噪比，这也会降低距离精度。（这段话都不咋理解）
2.显著点选择和特征提取
校正的强度信息包含环境的反射率，反映了不同物体的分布。因此，强度信息也有助于识别跨多个帧的相同特征。对于每个点以及他的强度值
，寻找邻近点
并计算局部距离分布
和局部强度分布
:
根据加权总和选择特征（包含了几何和强度信息）：
边缘点从较大的
点中选择，平面点
从较小的
点中选择。
3.强度图构建
强度地图包含周围环境的反射率分布。使用强度观测
表示每个网格单元
.对于时间
时网格单元的每个观测，表面射射率可以通过下面更新：
如果网格没有包含物体，则强度标记为0，因为没有反射信号。
4.帧到地图的匹配
1）几何残差
与LOAM相同，将点-线、点-面残差最小化
点线残差
点面残差
2）强度残差
通过引入三线性插值在强度地图中搜索强度信息，对于转换后的点，可以找到周围的8个网格单
元，如下图所示，这些网格单元的强度测量值被标记为.
假定单元1（离原始点最近）的中间位置为,单元8(离原始点最远)的中间位置为
。目标点的强度估计可以计算如下：
3）位姿估计
5.回环检测&全局优化
我们使用关键帧选择来减少检索时间，关键帧的选择基于以下标准： (1) 机器人的位移是显着的，即大于预先定义的阈值； (2)旋转角度变化显着； (3)经过的时间超过一定期限。对于大规模环境，阈值设置得更高以降低计算成本。所有关键帧都存储在后端维护的姿势图中。
对于关键帧，使用强度扫描上下文（ISC）提取当前帧到全局签名中。ISC在识别回环检测时对旋转具有鲁棒性。ISC 是一个二维矩阵，通过将方位角和径向上的极坐标等分为 Ns 个扇区和 Nr 个环来计算。每个子空间由区域内点的最大强度表示。给定一个关键帧，我们可以从强度和几何信息中提取 ISC 描述符 Ω。为了将查询 ISC 描述符 Ωq 与候选 ISC 描述符 Ωc 进行比较，让 t vq i 和 vci 成为 Ωq 和 Ωc 的第 i 个column。通过取每个扇区的平均余弦距离来找到相似度分数 φ(Ωq, Ωc)：
为了防止回环检测误报，几何一致性验证用于检查候选帧的相似性。对于候选循环帧，我们从全局地图中搜索附近的线和平面信息。对于当前帧，通过最小化点到边和点到平面的距离，提取边缘和平面特征并匹配到相应的全局线和平面。当两帧不相关时，距离之和通常很高。因此，可以通过设置阈值来过滤掉误报。确定重新访问的位置后，我们可以将两帧之间的边缘添加到位姿图中，并且可以应用全局优化来纠正漂移。
Intensity-SLAM: Intensity Assisted Localization and Mapping for Large Scale Environment相关推荐
- SLAM综述阅读笔记二：Simultaneous Localization and Mapping: A Survey of Current Trends in Autonomous（2017）
转自[第八篇 SLAM:自动驾驶当前趋势综述 - 知乎] 说明该总结主要是针对自动驾驶 <Simultaneous Localization And Mapping: A Survey of C ...
- SLAM学习笔记《Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Per》
<Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception ...
- SLAM综述笔记-A Survey of Simultaneous Localization and Mapping with an Envision in 6G Wireless Networks
A Survey of Simultaneous Localization and Mapping with an Envision in 6G Wireless Networks 这是一篇就激光与视 ...
- 综述类slam论文A Survey of Simultaneous Localization and Mapping（一）——激光雷达部分
A Survey of Simultaneous Localization and Mapping 同步定位和地图绘制(SLAM)实现了基于自我感知的同时定位和地图构建的目的.本文对SLAM进行了概述 ...
- SLAM++: Simultaneous Localization and Mapping at the Level of Objects
R. F. Salas-Moreno, R. A. Newcombe, H. Strasdat, P. H. Kelly. SLAM++: Simultaneous Localization and ...
- 论文笔记—A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping
论文笔记-A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping 论文链接 文章摘要 ~~~~ ~ ...
- [LiteratureReview]A survey of image semantics-based visual simultaneous localization and mapping....
[LiteratureReview]A survey of image semantics-based visual simultaneous localization and mapping: Ap ...
- Past， Present， and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age
这是笔者对这篇论文的翻译.Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-P ...
- Kimera: an Open-Source Library for Real-TimeMetric-Semantic Localization and Mapping论文阅读
1. 摘要 我们为实时度量-语义视觉-惯性同步定位和建图(SLAM) 提供了一个开源C++库.该库超越了现有的视觉和视觉惯性 SLAM 库(例如ORB-SLAM.VINS-Mono.OKVIS.ROV ...
最新文章
- 9月推荐 | 精选机器学习文章Top10
- java -d32_java11教程--JDK 10删除和不推荐的功能和选项-2
- 2021年机器学习的下一步是什么？
- mysql数据库导出最大值_4.6 MySQL数据库导入与导出攻略
- python绘制三维地形_Python的地形三维可视化Matplotlib和gdal使用实例
- java删除文件模糊_Java实现的模糊匹配某文件夹下的文件并删除功能示例
- CSS Grid网格布局全攻略
- 前端面试题node.js汇总
- mysql 数据库查询测试_MySQL查询测试经验
- Uniapp 导入 Vant 组件库
- 你知道Java里有多少种锁吗？15种锁最全总结！
- 数据库设计——手机售卖系统(带源码)
- linux swp文件重启,Linux下.swp文件的恢复方法
- 基于matlab的2psk功率,基于matlab的相移键控系统仿真.doc
- Zero-Shot相关论文阅读报告
- java外加IJ-idea的初次学习
- vue 汉字转首字母
- 从车联网基础知识出发通往5G彼岸
- 【JAVA】代码重构技巧
- 【PTA】解密英文藏头诗