激光雷达SLAM 关键技术

Posted 2022-03-30 一颗小树x

前言

最近看了北京理工大学的课程《智能车辆概述与应用》，感觉对激光雷达SLAM 入门角度讲的还不错的，于是通过本文记录关键内容。

目录

一、激光雷达SLAM概述

二、前端 激光雷达里程计

三、后端优化

四、经典方案LOAM

4.1 点云注册模块——点云特征提取

4.2 激光里程计模块——特征匹配

4.2 激光里程计模块——位姿推算

---

一、激光雷达SLAM概述

激光雷达SLAM框架如下图所示：

前端 激光雷达里程计：计算当前帧数据 与 之前帧数据 之间的位姿关系。

后端优化：减少位姿误差。

回环检测：检测当前场景是否已经到达。

建图：获取优化后的结果建立地图。

二、前端 激光雷达里程计

介绍一下前端激光雷达里程计经典方案；LOAM（Lidar Odometry and Mapping），是一个适用于三维激光雷达开源激光里程计算法。LOAM使用了点到线、点到面的ICP（Iterative Closest Point,ICP）算法来计算两帧点云间的相对位姿。LOAM的工作频率：Lidar Odometry（频率 l0HZ），Lidar Mapping（频率 1HZ）。

 前端激光雷达里程计 发展进程：（LOAM是2014年提出的）

三、后端优化

后端优化方法可以分为三个方向：

• 基于滤波的方法（早期使用）——扩展卡尔曼滤波、粒子滤波、RBPF等
• 基于图优化的方法（比较流行）——首个基于图优化框架的开源方案Karto SLAM、Hector SLAM 等
• 机器学习的后端优化方法（近年来越来越多研究）

四、经典方案LOAM

LOAM算法框架：

4.1 点云注册模块——点云特征提取

 点云特征：

• 角点一edge point形状尖锐特征
• 平面点一planar point形状平滑

如何计算是角点，还是平面点呢？通过计算点的平滑值（Smoothness）来区分，计算公式如下：

 S表示被计算点附近的点集，X表示当前点的坐标，表示附近点集中点的坐标。

 

4.2 激光里程计模块——特征匹配

 LOAM使用了点到线、点到面的ICP（Iterative Closest Point,ICP）算法来计算两帧点云间的相对位姿。通常两个点组成一点直线，三个点组成一个平面。即：计算当前帧的一个点云特征点，到上一帧点云中的线、面的距离。

计算公式如下：

4.2 激光里程计模块——位姿推算

计算位姿推算时，即先计算

当前帧角点距上一帧最近两角点构成直线

当前帧角点距上一帧最近三面点构成平面

然后算出距离，找到距离最小的，认为是是最相似的（当前帧的点，和上一帧的点对应） 。迭代过程中，转换为一个“非线性最小二乘问题”（非线性优化问题）

求解非线性优化问题，经典的方法一高斯牛顿法、非线性优化

下面的残差是：上面计算的点到线、点到面的距离；然后对残差进行求导，一阶求导得到雅可比矩阵；二阶求导得到海森矩阵。 

高斯牛顿法通常只使用一阶的雅可比矩阵，比对海森矩阵做近似。

LM非线性优化方法是考虑到：高斯牛顿法如果再初始值和目标值　相差较远时，比较难找到；如果使用“梯度下降法”，结合每一步的方向、步长，这个问题将较好地解决。

于是，LM非线性优化，在高斯牛顿法的基础上进行改进，它在海森矩阵中，加入了阻尼系数，即：在每一步中，加入方向和步长的控制。

后面再补充更新．．．．．．．．．

本文只供大家参考和学习，谢谢。