MULLS:论文阅读

@

目录

特点

1、类别特征点：ground, facade, pillar, beam等
2、多度量最小二乘：

  • 每个点类内的点对点（平面、线）误差度量通过线性近似联合优化以估计自我运动
  • 将注册帧的静态特征点附加到本地地图中以使其保持更新。
  • 对于后端，在定期存储的历史子图之间进行分层姿态图优化，以减少航位推算导致的漂移。

贡献

一种高效的点云局部配准算法MULLS-ICP，在粗略分类的几何特征点上共同实现点对点（平面、线）误差度量的线性最小二乘优化。

主要内容

1、几何特征点提取与编码

在这里插入图片描述

1.1 双阈值地面滤波：

预处理后的点云投影到参考平面，参考平面是水平面或上一帧的地面点拟合的平面。对于非水平激光雷达，需要知道初始方向。然后将参考平面划分为大小相等的 2D 网格。分别记录每个网格(g_i)和他3×3个相邻网格中的最小点高度，分别记为(h_{min}^{(i)})和(h_{neimin}^{(i)})。有两个阈值δh1，δh2，在网格(g_i)中的每个点(p_k)被分类为粗略确定的地面点(Grough)或非地面点(NG)：
在这里插入图片描述为了细化地面点，在每个网格中采用 RANSAC 来拟合网格中的地面平面。内点保持为地面点(G)，它们的法向量被定义为网格最佳拟合平面的表面法向量。

1.2 基于PCA的非地面点分类

非地面点被下采样到固定数量，然后并行输入主成分分析 (PCA) 模块。逐点的 K-R 邻域 N 定义为半径为 R 的球体内最近的 K 个点。领域N的协方差矩阵C由以下方法计算：

[mathbf{C}=frac{1}{|mathcal{N}|} sum_{i in mathcal{N}}left(mathbf{p}_{i}-overline{mathbf{p}} ight)left(mathbf{p}_{i}-overline{mathbf{p}} ight)^{ op} ]

(overline{mathbf{p}})是N的重心。特征值λ1> λ2> λ3 和对应的特征向量v,m,n 由C 的特征值分解确定，其中v,n 是N 的主向量和法向量。那么局部线性度(sigma_{1 mathrm{D}})、平面度(sigma_{2 mathrm{D}})、曲率(sigma_{c})定义为:

[sigma_{1 mathrm{D}}=frac{lambda_{1}-lambda_{2}}{lambda_{1}}, sigma_{2 mathrm{D}}=frac{lambda_{2}-lambda_{3}}{lambda_{1}}, sigma_{mathrm{c}}=frac{lambda_{3}}{lambda_{1}+lambda_{2}+lambda_{3}} ]

根据局部特征线性度(sigma_{1 mathrm{D}})、平面度(sigma_{2 mathrm{D}})、曲率(sigma_{c})的大小和v、n的方向，可以提取五类特征点，即外墙F(facade)、屋顶R(roof)、柱子P(pillar)、横梁B（beam）和顶点V(vertex)。为了细化特征点，基于(sigma_{1 mathrm{D}})、(sigma_{2 mathrm{D}})、(sigma_{c})的非最大抑制（non-maximum suppression,NMS）分别应用于线性点（P,B）、平面点（F,R）和顶点V，然后再进行各向同性的下采样。与G一起，将大致分类的特征点打包进行配准。

1.3 邻域类别上下文编码

在这里插入图片描述

基于提取的特征点，提出邻域类别上下文（NCC）来粗略地描述每个顶点关键点，几乎没有其他计算。. 如(3)所示，邻域内不同类别的特征点的比例、归一化的强度和地面以上的高度进行编码。NCC 后来被用作 SLAM 系统后端（III-E）中全局注册的局部特征：
在这里插入图片描述

2、 多度量线性最小二乘 ICP

这部分的流程总结在图3中。输入提取的多类特征点组成的源点云和目标点云，以及从源点云到目标点云的位姿变换的初始猜测(mathbf{T}_{t, s}^{ ext {guess }})。经过ICP[47]的迭代过程，输出为最终的变换估计(mathbf{T}_{t, s})，及其精度评价指标。

2.1 多类最近点关联

每次迭代，最近点对应关系由最近邻（NN）在每个特征点类别（G，F，R，P，B，V）内搜索确定，距离阈值不断减小。法向量和主向量的方向一致性检查分别进一步应用于平面点（G，F，R）和线性点（P，B）。类别、距离和方向的约束使点关联更加稳健和高效。

2.2、多度量变换估计：

假设 qi,pi为 源点云和目标点云中的对应点，源点云经过一定的旋转和平移后的残差定义为：
在这里插入图片描述
在这里插入图片描述

多种类型的残差：

  • 点特征vertex，V:点到点的距离
  • 面特征(G,F,R) ：点到面的距离
  • 线特征(P,B) : 点到线的距离
    在这里插入图片描述
    w每项对应的先验权重。在微小角度假设下，R可以近似为：
    在这里插入图片描述
    其中α、β和γ分别为roll, pitch and yaw, 在x-y'-z''欧拉角约定下。定义关于未知的参数向量为。
    在这里插入图片描述
    原问题，变成一个最小二乘问题Ax =b
    其中：
    在这里插入图片描述

2.3 多策略加权功能

在整个迭代过程中，提出了基于残差、平衡方向贡献和强度一致性的多策略加权函数：

[w_{i}=w_{i}^{( ext {residual })} imes w_{i}^{ ext {(balanced) }} imes w_{i}^{ ext {(intensity) }} ]

首先，为了更好地处理异常值，我们提出了一个残差权重函数，该函数是从覆盖 M 估计器族的一般稳健核函数中推导出来的：
在这里插入图片描述
其中κ是核函数的系数，(epsilon_{i}=d_{i} / delta)是归一化残差，δ是内点噪声阈值。虽然自适应搜索最佳κ是可行的[63]，但会很耗时。因此，我们在实践中固定κ= 1，从而导致伪Huber核函数。
其次，对应关系的贡献在 x、y、z 方向上并不总是平衡的。为了保证可观察性，提出了以下考虑每个类别数量的加权函数：
在这里插入图片描述
第三，由于强度通道为注册提供了额外的信息，所以设计了（12）来惩罚具有大强度不一致的对应关系的贡献。
在这里插入图片描述

2.4 多指标注册质量评价：

ICP收敛后，配准的后验标准偏差(hat sigma)和信息矩阵(I)计算为：
在这里插入图片描述
其中(hat sigma)和(I) 与非地面点重叠率(O_{ts})一起用于评估配准质量

3、 MULLS 前端

在这里插入图片描述

匀速假设得到初值-> scan 2 scan的匹配 -> scan 2 map的匹配 -> 非地面点中和周围类别不同的点当做动态点去除

4、后端

在这里插入图片描述

如图5(b)所示，周期性保存的子图为处理单元。子图之间的相邻边和闭环边通过经过认证的高效 TEASER [46] 全局配准构建和验证。其初始对应关系根据顶点关键点之间编码的 NCC 特征的余弦相似度确定。以 TEASER 的估计为初始猜测，map-to-map MULLS-ICP 用于通过精确的变换和信息矩阵来细化子图间边缘。那些具有较高 ˆσ 或较低 (O_{ts})阈值的边将被删除。如图6所示。 一旦添加了回环边，自由子图节点的姿态校正由子图间PGO实现。从层次上讲，子图内PGO固定每个子图的参考帧并调整其他帧的姿态。

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/long5683/p/15420488.html