沈阳h5模板建站,安徽国华建设工程项目管理有限公司网站,公司建设一个网站需要多少钱,网络推广0. 简介
现有的基于3D点的动态点检测和移除方法存在显著的时间开销#xff0c;使其难以适应激光雷达-惯性测程系统。《A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry in Driving Scenarios》提出了一种基于标签一致性的动态点检测和移除方法#xff0…0. 简介
现有的基于3D点的动态点检测和移除方法存在显著的时间开销使其难以适应激光雷达-惯性测程系统。《A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry in Driving Scenarios》提出了一种基于标签一致性的动态点检测和移除方法以处理自动驾驶场景中的移动车辆和行人并将所提出的动态点检测和移除方法嵌入到自设计的激光雷达-惯性测程系统中。在三个公共数据集上的实验结果表明我们的方法能够在LIO系统中以极低的计算开销即1∼9毫秒完成动态点的检测和移除同时在动态点的保留率和拒绝率方面与最先进的方法相当并显著提高了位姿估计的准确性。相关的代码已经在Github上开源了。
1. 主要贡献
本工作的主要贡献有三方面
本文提出了一种基于标签一致性的动态点检测和移除方法该方法能够以相对较低的计算成本检测和移除动态点本文将基于标签一致性的动态点检测和移除方法融入到激光雷达-惯性测程系统中从而提高了位姿估计的准确性本文已发布此工作的源代码以供社区使用。 2. 坐标系统
我们用 ( ⋅ ) w (\cdot)^w (⋅)w、 ( ⋅ ) l (\cdot)^l (⋅)l 和 ( ⋅ ) o (\cdot)^o (⋅)o 分别表示世界坐标系、激光雷达坐标系和惯性测量单元IMU坐标系中的三维点。世界坐标系与起始位置的 ( ⋅ ) o (\cdot)^o (⋅)o 重合。 我们将第 i t h i_{th} ith 次 IMU 测量时刻 t i t_i ti 的 IMU 坐标表示为 o i o_i oi则从 l i l_i li 到 o i o_i oi 的变换矩阵即外部参数表示为 T l i o i ∈ S E ( 3 ) T^{o_i}_{l_i} \in SE(3) Tlioi∈SE(3)其中 T l i o i T^{o_i}_{l_i} Tlioi 由旋转矩阵 R l i o i ∈ S O ( 3 ) R^{o_i}_{l_i} \in SO(3) Rlioi∈SO(3) 和平移向量 t l i o i ∈ R 3 t^{o_i}_{l_i} \in \mathbb{R}^3 tlioi∈R3 组成。通常假设外部参数矩阵 T l i o i T^{o_i}_{l_i} Tlioi 已经在离线阶段进行了足够准确的标定因此在后续过程中不再进一步优化。因此我们将 T l i o i T^{o_i}_{l_i} Tlioi 简化为 T l o T^o_l Tlo。
3. 系统概述
图 2 展示了我们系统的框架该系统由四个主要模块组成云处理、静态初始化、基于 ESIKF 的状态估计和动态点移除。云处理模块将地面点从当前输入的点云数据中分离出来并为每个三维点分配标签指示其为“地面点”或“非地面点”。随后它执行空间下采样以确保当前点云的均匀密度。静态初始化模块利用 IMU 测量来估计一些状态参数如重力加速度、加速度计偏差、陀螺仪偏差和初始速度。基于 ESIKF 的状态估计模块估计当前扫描的状态其执行过程与 SR-LIO [24] 的状态估计模块完全一致。在点云配准过程中所有最近邻查询操作均在跟踪地图上进行。动态点移除模块使用基于标签一致性的动态点检测方法来检测动态点并在地图更新过程中将其移除以确保地图仅包含静态点。整个系统维护两个全局地图跟踪地图和输出地图。前者用于状态估计而后者则作为最终重建结果。与跟踪地图相比输出地图中的动态点经过更彻底的过滤。为了管理跟踪地图和输出地图我们采用了 Hash 体素地图这与 CT-ICP [5] 相同。白色矩形的各个部分的实现细节与我们之前的工作 SR-LIO [24] 完全相同因此我们省略了对这些部分的介绍仅在第 4 节中介绍与动态点检测和移除相关的黄色矩形的细节。 图 2. 我们的动态 LIO 概述该系统由四个主要模块组成云处理、静态初始化、基于 ESIKF 的状态估计和动态点移除。黄色矩形表示与动态点检测和移除相关的系统操作。 4. 系统细节
4.1 地面拟合
我们采用与 LeGO-LOAM [14] 相同的地面分割方法以极低的计算成本将地面点从当前输入的扫描中分离出来这对于 LIO 系统来说是非常重要的。图 3 展示了地面点分离的可视化其中橙色点被标记为“地面点”白色点被标记为“非地面点”。 图 3. 当前输入扫描中地面点分离的可视化。橙色点表示地面点白色点表示非地面点。 4.2 背景分离
在执行标签一致性检测的过程中有必要为当前扫描中的每个点找到最近邻。靠近车辆平台的点能够可靠地找到其最近邻而远离车辆平台的点可能由于其位置尚未重建而无法找到最近邻。我们设定了一个 30 米的阈值将距离车辆平台 30 米以内的点定义为前点超过 30 米的点定义为后点。对于前点和后点我们采用基于标签一致性的动态点检测方案这些方案专门针对它们的特性进行定制。 4.3 标签一致性检测
标签一致性检测的核心前提是场景中的动态物体与地面接触这在驾驶场景中得到了很好的满足。基于当前全局地图不包含动态点的前提除了在更远处要添加的新点外每个静态点在配准过程中都可以在全局地图中找到其对应的最近邻。然而对于从动态物体扫描得到的激光雷达点由于其自身的结构信息从未出现在全局地图中并且其当前位置无法与空间中任何现有的静态几何结构重合因此大多数扫描到动态物体的激光雷达点在配准过程中往往无法找到最近邻因此被归类为动态点如图 4 中的绿色点所示。至于剩余的小部分激光雷达点如图 4 中的粉色点所示它们可能会找到地面点作为其最近邻。我们随后根据最近邻集合中地面点的比例来决定是否将它们归类为动态点。
…详情请参照古月居
