基于LiDAR里程计和先验地图的定位方法
点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
作者:robot L | 来源:知乎
https://zhuanlan.zhihu.com/p/157445108
本文仅做学术分享,如有侵权,请联系删除。
本文介绍一种LiDAR里程计和基于先验地图的定位方法。代码已开源:https://github.com/RozDavid/LOL。参考文献如下:
D. Rozenberszki, A. L. Majdik. LOL: LiDAR-Only Odometry and Localization in 3D Point Cloud Maps. IEEE International Conference on Robotics and Automation, 2020.
1. 主要内容
组合SOTA激光里程计算法LOAM和基于分割的场景识别算法SegMap,完成基于先验地图的定位任务。此外,作者在场景识别后加入了后处理步骤以去除一些虚假重定位。
2. 研究背景
LOAM[1]是KITTI数据集[2]中漂移最小的Odometry方法,但是它估计的运动轨迹在大场景中仍然会与真值产生较大的偏差。为了修正里程计的偏差,本文应用场景识别算法在先验离线3D点云地图中检测与当前帧几何相似的位置,进而得到当前帧与相似位置之间的相对位姿估计。最后,通过全局位姿图优化修正里程计的漂移。
3. 方法
方法的流程如图1所示。系统输入是实时的激光点云和先验点云地图。首先,我们对于新来到的激光点云,通过点云配准,激光里程计,激光建图以及位姿融合,得到当前帧的位姿估计。另一方面,对新来到的点云进行分割和描述,并在点云地图中寻找相似的分割描述,从而得到匹配的若干分割对,然后对这些分割对进行几何验证。通过验证的分割对进行ICP精修,得到当前帧在先验地图中的全局位姿。里程计位姿和全局位姿都加入位姿图中,进行增量优化。
图1. 激光里程计和定位算法的流程图,蓝色是LOAM的部分,黄色是SegMap的部分,绿色是作者添加的后处理部分。
4. 实验验证
本文提出的方法在KITTI数据集上进行了验证。与LOAM的对比结果如图2所示。上图中红绿色点云是LOAM的建图结果,黑色是先验点云地图。下图中红色和绿色分别为LOAM和本文提出方法的运动轨迹,黑色是先验点云地图。可以看出,本文提出的方法修正了LOAM的漂移。
图2. 本文方法与LOAM的实验对比。
5. 总结
A. 核心思想
组合里程计和重定位完成基于先验地图的定位任务。
B. 优缺点
优点是使用基于场景识别方法而不是欧式距离的重定位方法。
缺点1是在前端使用里程计而不是直接和先验地图匹配完成定位功能。后者的漂移比前者小很多,由于加入了先验知识。
缺点2,本文声称自己的方法是实时的,但是没有给出每个模块的具体时间评测结果。有兴趣的小伙伴可以自己跑一跑代码。
C. 展望
基于深度学习的激光点云场景识别方法会越来越多地出现,并且在今后的激光SLAM/定位方法研究中,基于场景识别的回环检测/重定位方法会占据主流。因为该方法与到回环的空间距离无关,并且有的场景识别方法具有视角不变性,甚至和原来的行驶方向相反时,也能检测到回环。
推荐阅读:
专辑|相机标定
专辑|3D点云
专辑|SLAM
专辑|深度学习与自动驾驶
专辑|结构光
专辑|事件相机
专辑|OpenCV学习
专辑|学习资源汇总
专辑|招聘与项目对接
专辑|读书笔记
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群,请扫描下面微信号加群,备注:”研究方向+学校/公司+昵称“,例如:”3D视觉 + 上海交大 + 静静“。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去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近1000+星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
基于LiDAR里程计和先验地图的定位方法相关推荐
- ICRA 2021|用于LiDAR里程计和建图的Poisson表面重建
Poisson Surface Reconstruction for LiDAR Odometry and Mapping 作者:Ignacio Vizzo, Xieyuanli Chen, Nive ...
- 视觉和Lidar里程计
搬来一个自动驾驶相关 我就一个打酱油小弟哈 自动驾驶的发展需要研究和开发准确可靠的自定位方法.其中包括视觉里程计方法,在这种方法中,精度可能优于基于GNSS的技术,同时也适用于无GPS信号的区域.本文 ...
- 视觉和Lidar里程计SOTA方法一览!(Camera/激光雷达/多模态)
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心[SLAM]技术交流群 后台回复[SLAM综述]获取视觉SLAM.激光SLAM.RGBD ...
- 【SLAM】LIO-SAM解析——获得高频的lidar里程计TransformFusion(6)
系列文章链接: [SLAM]LIO-SAM解析--流程图(1) [SLAM]LIO-SAM解析--数据预处理imageProjection(2) [SLAM]LIO-SAM解析--特征提取featur ...
- 基于单目和低成本GPS的车道定位方法
文章:Map-Matching-Based Localization Using Camera and Low-Cost GPS For Lane-Level Accuracy 作者:Rahmad S ...
- 手机室内地磁定位软件_一种基于地磁辅助WiFi的智能手机用户室内定位方法
一种基于地磁辅助WiFi的智能手机用户室内定位方法 [专利摘要]本发明涉及一种基于地磁辅助WiFi的智能手机用户室内定位方法,包括离线阶段和在线阶段,离线数据采集阶段包括:根据建筑物平面地图把待定位区 ...
- imu 里程计融合_地图影像与IMU及里程计集成的探测车定位
1.序列影像与IMU及里程计集成定位 行星表面巡视探测中,探测车依靠IMU和里程计组合的航迹推算能够获取连续稳定的定位结果,然后行驶过程中的车轮打滑以及IMU长时间工作带来的偏移严重影响了定位精度.基 ...
- 【论文笔记】2019 基于激光点云pole检测的重定位方法 Long-Term Urban Vehicle Localization Using Pole Landmarks
https://github.com/acschaefer/polex 本文提出了一个基于激光三维点云的二维车辆定位系统,其根据道路场景中的 "pole landmarks" (极 ...
- RoadMap:面向自动驾驶的轻型语义地图视觉定位方法
文章:RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving 作者:Tong Q ...
最新文章
- 对面向对象基本原则的总结
- 抛弃VS Code,我还能用啥编辑器?| 技术头条
- FTP(虚拟用户,并且每个虚拟用户可以具有独立的属性配置)
- 一个简单的用Python写抽奖程序
- 项目用的几种机型参数调查
- myeclipse中的classpath .
- Emacs中的Color Theme以及字体设置
- OD 快捷键使用大全。非常详细( 游戏逆向分析必看 )+ OD 断点 使用大全
- 常用User-Agent大全 -《狗嗨默示录》-
- 解剖“锋芝恋”,张的婚姻就是谢家处心积虑的一场诈骗?
- 单尺度Retinex算法学习
- RGBLCD显示实验————复习到这
- 我的微信小程序登陆界面
- 最全的Java笔试题库之选择题篇-总共234道【61~120】
- 关于交流半波与全波整流输出的电压(或电流)有效值和平均值的讨论
- 自然语言处理从零到入门 自然语言理解NLU
- 中泰XTP极速交易系统缔造者:为量化而生
- FAT32文件删除与恢复
- Java多线程-Java多线程实现
- lambda表达式: