论文阅读：Remove, then Revert: Static Point cloud Map Construction using Multiresolution Range Images

@

目录

• Ⅰ、INTRODUCTION
  • removing-and-reverting算法：
  • 主要贡献
• Ⅱ、RELATED WORK
• Ⅲ、METHODOLOGY
  • A、符合规定
  • B、基于深度图像的地图比较
  • C、批量动态点移除
  • D. Removert:删除，然后恢复静态点
• IV. EXPERIMENTAL RESULTS

Ⅰ、INTRODUCTION

removing-and-reverting算法：

• 1.我们首先保守地保留静态点(见图1的中间)，并将错误移除的点还原。这个过程处理一批测量，不像[14]中的连续Bayesian更新集中在后处理角色上，因为我们的主要目的是构建一定长度的静态映射，并确保动态点被强擦除，即使出现一些错误的否定(即实际的静态点被错误擦除)。因此，我们的算法首先批量去除点(除固定的静态点外)，然后用多个置信度对其进行反转(详见图4和图9)。
• 2。我们提供了一种利用多分辨率距离图像处理恢复可信度的机制。这在多尺度搜索窗口的一个查询scan和一个地图点之间具有隐式关联的效果，因此用户可以隐式地指定一个可接受的激光雷达运动模糊程度，并进行调整(例如，在精度和召回之间)预测静态地图的准确性

主要贡献

1. 基于距离图像的地图点差计算。
2. 一种新颖的remove-then-revert机制来构造和增强静态地图
3. 基于多分辨率距离图像的静态地图演化方法处理激光雷达运动模糊问题

Ⅱ、RELATED WORK

Ⅲ、METHODOLOGY

A、符合规定

符号	含义
M	全局地图坐标
Q	局部传感器坐标
(P_k^Q)	传感器坐标下的单个scan
(P_k^M)	上面对应的全局坐标下的子图
(I_k^M)	点云图对应的投影深度图
(r(·))	点(p)对应的range

B、基于深度图像的地图比较

与现有方法[14,15]类似，我们使用可见性来执行动态点识别，而不是使用体素射线跟踪。与现有的方法不同，我们检查地图点在投影的深度图像平面内的可见性。如图3所示，在改变距离图像分辨率时进行矩阵运算是检测差异和缓解地图点关联歧义的直接方法(详情见xIII-D)。
投影：

通过矩阵元素相减的方法计算地图点的可见性

我们将地图点(mathbf{p}_{k, i j}^{M} a s in mathcal{P}_{k}^{M})赋值为动态的，如果其对应的(I_k^{Diff})像素值大于某一阈值(τD)。

将静态映射点定义为动态映射点的互补集:

[P_k^{SM} = P_k^M−P_k^{DM} ]

另外，提出使用自适应阈值来调节算法对点距离的敏感性;自适应阈值被定义为范围的函数：

[ au_{D_{ mathbf{ada}}}=rleft(mathbf{p}_{i j}^{M} ight) au_{D} ]

C、批量动态点移除

在本节中，我们提供了一个批处理版本III-B，仔细地从多次扫描投票更新。这样做可以在一次扫描中克服地图点遮挡和视场限制。我们假设预先给出了一组沿着机器人运动的连续N次扫描。对于每次扫描(P_k^Q)，其中k = 1,...,N，我们按照III-B中所述的基于距离图像的动态地图点检测方法，对地图上的每个单点，计算标记为SM或DM的总数;(n_{SM}) 和 (n_{DM})，然后，我们用统计分数s(·)来定义动态地图(mathcal{P}^{D M} subset mathcal{P}^{M})，这是(n_{SM})和(n_{DM})的加权函数，静态地图的自然地被定义为(P^{DM})的补集:

单个3D点的统计得分：
(s(cdot):=) (alpha_{S M} n_{S M}left(mathbf{p}^{M} ight)+alpha_{D M} n_{D M}left(mathbf{p}^{M} ight))
其中(alpha_{S M})和 (alpha_{D M}) 分别是一个正的，一个负的权重系数。我们注意到一些未计数的点(即在批处理过程中从未标记的点)在默认情况下被认为是静态的。

此外，比较和移除应该独立于车辆的运动。例如，如果我们以与运动序列相同的顺序对查询扫描进行采样，前面的汽车以同样的速度移动，可能很难被移走。在比较过程中，我们在随机选择查询扫描(P_k^Q)的同时进行批处理。

D. Removert:删除，然后恢复静态点

III-C中的动态地图分离可以用于单一的固定大小分辨率的距离图像。然而，我们发现需要额外的细化，因为估计的动态点可能包括静态点(图4的顶部一行)。

例如，根据[14]的报道，地面点是模棱两可的，因为即使点的入射角差很小，它们的范围也变化很大;因此，静态的接地点很容易被误认为是动态的。为了解决这个问题，作者[14,25]利用了额外的法线，一个点或区域生长的入射角。与之前的工作不同，我们的方法只需要点的三维位置(x, y, z)。现有的方法部分解决了这一问题;如果原始机器人运动不准确，那么查询点和地图点可能会错误地关联。同一对象可能位于距离图像中的其他像素，导致错误预测(例如，删除假静态点或保留假动态点)。我们发现错误估计经常发生在狭窄的物体(如极点)和物体的边界(如车顶和树顶;见图3左下角的橙色框)。

为了解决地图点关联查询中的差异性和歧义性，Palazzolo和Stachniss提出了一种基于窗口的方法(即不是像素对像素，而是像素对窗口比较)[27]。类似于他们的，但更轻松，我们建议使用不同分辨率的多个范围的图像。它可以隐式地将一个查询点与具有多个窗口大小级别的映射点关联起来，而不需要在一个固定的窗口大小内找到最近的点。

图3显示了两种(高分辨率和低分辨率)分辨率的不同特性。如果我们使用较粗的像素分辨率，那么查找查询点和地图点之间的对应关系就会变得容易。在过去的迭代中标记为动态的点可以在较粗的分辨率中标记为静态点。我们建议使用的在算法1中的最好的分辨率是

[r_{0}=frac{ ext { vertical FOV }}{ ext { rays }} ]

我们恢复它的状态，并将点合并到静态地图中，如图4所示。这个恢复算法迭代地减少FN点的数量。在恢复过程中，尽管FP点的数量略有增加，但我们可以看到图9中正确恢复的点占主导地位。

IV. EXPERIMENTAL RESULTS