LIO-PPF：通过增量平面预拟合和跟踪的快速激光雷达惯导里程计
Posted Being_young
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了LIO-PPF：通过增量平面预拟合和跟踪的快速激光雷达惯导里程计相关的知识，希望对你有一定的参考价值。
点云PCL免费知识星球，点云论文速读。
文章：LIO-PPF: Fast LiDAR-Inertial Odometry via Incremental Plane Pre-Fitting and Skeleton Tracking
作者：Xingyu Chen, Peixi Wu, Ge Li and Thomas H. Li
编辑：点云PCL
代码：https://github.com/xingyuuchen/LIO-PPF.git
来源：arXiv2023
欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。
公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。未经作者允许请勿转载，欢迎各位同学积极分享和交流。
摘要
激光惯导里程计（LIDAR-Inertial Odometry，LIO）通过跟踪激光扫描数据提供位姿估计是智能机器人的基本能力，高精度跟踪通常涉及最小化点到平面距离的k最近邻（kNN）搜索，然而，这样做的成本是维护大型局部地图并为每个点执行kNN平面拟合。在本文中，我们通过节省这些不必要的成本来减少LIO的时间和空间复杂度，在技术上设计了一个平面预拟合（PPF）方法来跟踪3D场景的基本框架。在PPF中，平面不是为每个扫描单独拟合的，更不用说为每个点拟合了，而是随着场景“流动”而逐步更新，与kNN不同，PPF对噪声和非严格平面更具有鲁棒性，而且我们采用迭代主成分分析（iPCA）进行优化。此外，还引入了一个简单但有效的夹层，以消除假的点对平面匹配，我们的方法在5个开放数据集中的22个序列上进行了广泛的测试，并在3个现有的最新LIO系统中进行了评估，相比之下，LIO-PPF仅消耗原始局部地图大小的36％，以实现高达4倍的残差计算速度和1.92倍的FPS，同时保持相同的精度水平，并且完全开源了代码，网址为：https://github.com/xingyuuchen/LIO-PPF。
主要贡献
与在搜索每个点的kNN之后懒惰地拟合平面相比，本文采用了更主动的平面预拟合方法。这个想法源于两个不必要的因素：
1）不必要的kNN。当前的LiDAR扫描跟踪对每个单独的点搜索kNN以拟合平面，假设空间上接近的点来自同一个平面，然而，这个条件过于严格，即空间上相距较远的点也可以属于同一个平面，例如长墙。这给了我们一个提示：如果搜索发生在高级特征平面空间中，昂贵的kNN成本自然可以节省下来。
2）不必要的大局部地图，如果仅保留少数扫描数据在局部地图中，NN可能很远，因此很可能属于其他物体，导致kNN不准确地拟合匹配平面。因此，局部地图被扩大以保证足够接近的点到kNN的对应关系，见图1d。
图1 (a) 重建的场景。(b) 快速旋转下(a)的两个连续扫描。(c) 扫描中的大平面形成了场景的基本骨架，揭示了其整体几何结构。(d) kNN需要一个大的局部地图，否则大多数点无法找到邻居来拟合平面，而我们使用基本骨架来表示点云匹配的场景，搜索范围被扩大到平面级别，不需要kNN搜索。
总之，做出了以下贡献：
我们提出使用场景的基本骨架来表示点云匹配，通过 LiDAR 扫描间的平面预拟合（PPF）来实现。证明了
(i) PPF 可以自然地缩小局部地图并消除大部分冗余的 kNN 搜索和平面拟合；
(ii) kNN 对于噪声和非严格平面的不具有鲁棒。
在 PPF 中，不是为每个点/扫描拟合平面，而是利用 IMU 和 LiDAR 扫描的连续性来实现增量平面更新；迭代 PCA 使 PPF 比 kNN 更具鲁棒性，可以处理噪声和非严格平面；引入了一个简单而有效的夹层来排除错误的点对平面匹配。
工程贡献包括完全开源的 LIO-PPF，在 5 个开放数据集的 22 个序列上的实验表明，与原始方法相比，我们的 PPF 可以将局部地图的大小减少至多 64％，计算残差的速度提高了 4 倍，整体帧率提高了最多 1.92 倍，并且仍然具有相同的精度水平。
主要内容
增量式 iPCA 平面预拟合 ：该方法可以从三个方面描述：预拟合、迭代主成分分析和增量式处理。
1）预拟合：每次扫描的点云大概形成了 3D 场景的基本骨架，并显示其全局几何特征，将它们称为骨架平面，它们是独立维护的，而不是由 kNN 拟合，首先从提取的表面特征点或原始去畸变点云中获取输入，然后采用迭代拟合-移除-拟合的方式来提取 Pi 中的所有骨架平面，对于单个平面拟合，使用经典的 RANSAC 和 NAPSAC 方法，NAPSAC 假设同一类别内的样本彼此之间更接近于类别外的点，因此，同一超球内的样本更有可能适配最佳候选模型，但是这又需要昂贵的 kNN 保证，因此，在大多数情况下，仅通过增加 RANSAC 迭代次数可以达到相同的准确度水平， 一旦拟合出一个骨架平面，所有点根据其到平面的距离被分为严格的内点、半内点和外点，所有半内点直接被丢弃，而外点则再次进入此过程，由于骨架跟踪对于大平面非常有效，因此当无法提取更多合格的平面或剩余点过少时，将终止循环。
图3. 当跟踪具有小局部曲率的非严格平面时，kNN降级的示意图，kNN策略最小化点到局部平面的距离，然而，由4个最近邻确定的局部空间无法反映整体几何形态，相比之下，iPCA方法迭代地提取所有全局平面点的主骨架，导致更快的收敛。
2.）迭代PCA优化: 将PCA应用于kNN唯一目的是确定是否有多于3个点适合拟合平面，对于PPF而言，这可能更有用。由于LiDAR采样噪声、IMU噪声、偏差以及其随机噪声，去畸变点云是存在噪声的。即使在严格的现实平面（例如墙壁）上，点与相应平面之间的非零偏差仍然存在。另一方面，一些平面表面虽然不是严格的平面，但也可能具有较低的局部曲率（例如不平坦的地面，小角度的弧线）。图3演示了这些情况下kNN退化的问题。kNN策略仅使用4~5个最近邻点，这意味着拟合的平面由一个小的局部空间决定，当遇到大噪声或不严格的平面时，局部空间无法表征整体形态，从而误导了配准的优化目标，相反，预拟合方式可以利用所有平面点的空间信息来生成其全局骨架平面，特别地，基于当前拟合的平面，对其所有严格内点的协方差矩阵进行特征分解，与最小特征值相关联的特征向量对应于精化的平面，可以理解为所有严格支持旧平面的点的新投票，新的内点相应地计算，并重复该过程3次。我们得出结论，这种迭代优化带来了PPF比kNN更快的收敛（参见图3）。
3.）增量拟合：相邻 LiDAR 扫描的几何结构变化不大，通常是相似的，受此属性启发，骨架平面可以进行增量更新，以节省不必要的 RANSAC 迭代，我们首先通过迭代来积分两个相邻 LiDAR 扫描之间的 IMU 测量：
有兴趣的小伙伴请参考原文。
实验
如图7所示。首先在(a)中绘制了两个平面之间距离随迭代次数变化的曲线，对于PPF策略，无论高斯噪声的标准差为多少，仅经过第一次迭代就几乎完成了配准。而对于kNN策略，随着噪声的增加，前几次迭代的配准表现不佳。这是因为随着噪声标准差的增加，4-5个最近邻变得不稳定，因此拟合的平面逐渐偏离中心平面，从而误导优化目标。在(b)中显示噪声标准差与收敛所需迭代次数之间的关系，通常情况下，PPF对噪声更加鲁棒，所需迭代次数增加得更慢。我们进一步比较了两种方法的配准效果，如(c)所示。可以看出，PPF方法的配准误差始终低于kNN方法，并且当噪声水平较高时，PPF的效果更为显著。
图7. 模拟实验结果。(c) 左柱状图：kNN；右柱状图：PPF。所有实验都在单线程中运行。
图8. 使用LIOSAM-3序列进行的麻省理工学院校园的建图结果。
LIO系统的效率是通过分析每个步骤的运行时间来评估的，为了研究LIO系统如何受益于PPF，我们首先重新开发了LIO-SAM，并使用kNN和PPF比较了效率，在表I中列出了每个步骤的详细时间成本。
本文中所使用的算法的准确性通过绝对位姿误差（APE）和相对位姿误差（RPE）的均方根误差（RMSE）进行度量，在实验中，我们使用 evo 计算了这些误差。将我们的算法与 LIO-SAM 进行比较，结果如表 II 所示。
图9. 在与Google Earth对齐的密歇根大学北校区大规模场景的估计轨迹和重建地图。
还展示了将PPF集成到其他最先进的LIO系统中的准确性结果，例如FasterLIO。在表III中，比较了4个系统在9个序列中的准确性。
估计轨迹的可视化结果在图10中进行了比较，也显示出使用PPF的结果在大多数序列中保持相同的准确性水平（有时甚至更具视觉准确性）。
总结
研究了激光雷达-惯导测量单元组合导航系统的计算，揭示了大多数kNN搜索、平面拟合的冗余性以及大型局部地图的维护非必要性，为了实现更高效的激光雷达扫描点云的跟踪，我们设计了一个平面预拟合方案以实现基本骨架跟踪，展示了kNN对嘈杂和非严格平面的不鲁棒性，并介绍了iPCA到PPF以处理这个问题。此外，通过利用IMU测量和激光雷达扫描的顺序特性，可以增量地更新骨架平面，以进一步加速PPF，对于具有小夹角平面的复杂场景，引入了一个简单而有效的夹心层来消除虚假的点到平面匹配，在5个开放数据集的22个序列上的实验证明，相比之下，我们的骨架跟踪仅消耗原始本地地图大小的最小值，残差计算速度快4倍，并且总帧率高达1.92倍，同时保持相同的精度水平，为了为SLAM社区做出贡献，开源了完整C ++代码。
资源
自动驾驶及定位相关分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
结构化PLP-SLAM：单目、RGB-D和双目相机使用点线面的高效稀疏建图与定位方案
更多详细内容后台发送“知识星球”扫码加入知识星球查看原文。
智驾全栈与3D视觉学习星球:主要针对智能驾驶全栈相关技术，3D/2D视觉技术学习分享的知识星球，将持续进行干货技术分享，知识点总结，代码解惑，最新paper分享，解疑答惑等等。星球邀请各个领域有持续分享能力的大佬加入我们，对入门者进行技术指导，对提问者知无不答。同时，星球将联合各知名企业发布自动驾驶，机器视觉等相关招聘信息和内推机会，创造一个在学习和就业上能够相互分享，互帮互助的技术人才聚集群。
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入知识星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作方式：微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
以上是关于LIO-PPF：通过增量平面预拟合和跟踪的快速激光雷达惯导里程计的主要内容，如果未能解决你的问题，请参考以下文章
scikit-learn 中的 minibatch kmeans 是不是通过使用部分拟合进行增量学习？
HD6-20W高精度激光焊缝跟踪传感器 可检测0.1mm细缝，水平误差<0.04mm，高度误差<0.018mm，适合精密焊接