Источник: Mesh-LOAM: одометрия и картографирование LiDAR на основе сетки в реальном времени.

Автор: Яньцзинь Чжу, Синь Чжэн и Цзяньке Чжу

Редактор: Облако точек PCL

Публичный аккаунт предназначен для обработки облаков точек.,SLAM,3D видение,Высокоточные изображения и другие поля, связанные с контентом, из обмена сухой информацией,Приветствую всех желающих присоединиться,увлекающийсяиз Можно связатьсяdianyunpcl@163.com。Статья не претендовала на оригинальность,В случае нарушения прав или копирования обращайтесь в WeChat Cloudpoint9527.

краткое содержание

Несмотря на достижение производительности в реальном времени с помощью картирования сетки, большинство современных методов лидарной одометрии и построения сетки могут с трудом справляться с обработкой сложных сцен из-за того, что они полагаются на явные схемы построения сетки и часто чувствительны к шуму. Чтобы преодолеть эти ограничения, в данной статье предлагается метод лидарной одометрии и картографии в реальном времени на основе сетки для крупномасштабных сценариев посредством неявной реконструкции и схем параллельного пространственного хеширования. Для эффективного восстановления треугольной сетки в этой статье предлагается метод инкрементной воксельной сетки, который обновляет каждый кадр сканирования, проходя каждую точку один раз, и сжимает пространство с помощью масштабируемого модуля сегментации. Используя преимущества быстрого доступа к треугольным сеткам в любое время, одометрия «точка-сетка» с ассоциацией данных на основе положения и объектов предназначена для оценки положения между облаком инцидентных точек и восстановленной треугольной сеткой. Экспериментальные результаты на четырех наборах данных демонстрируют эффективность предложенного нами метода в создании точных траекторий движения и карт сетки окружающей среды.

Основные вклады

В этой статье предлагается крупномасштабный лидарный метод измерения дальности и картографирования на основе сетки в реальном времени и он называется Mesh-LOAM. Эта статья направлена ​​на повышение геометрической точности картирования на основе лидара, одновременно моделируя и уменьшая дрейф предполагаемых поз. Кроме того, неявная реконструкция используется, чтобы воспользоваться преимуществами устойчивости неявной функции к шуму и способности обрабатывать сложные сцены. Для достижения неявной реконструкции крупномасштабных сцен в режиме реального времени предлагается метод инкрементального построения воксельной сетки в рамках параллельной схемы пространственного хеширования, в котором наша пассивная модель расчета значений SDF и масштабируемый модуль секционирования могут ускорить расчет. Кроме того, мы используем одометрию «точка-сетка» для оценки положения между входным облаком точек и восстановленной треугольной сеткой. На рисунке 1 показан пример выходного графика треугольной сетки нашего Mesh-LOAM в наборе данных о скорости транспортных средств KITTI.

Рисунок 1: Результаты одометрии и картирования последовательности набора одометрических данных KITTI «00». Предлагаемый нами Mesh-LOAM может точно оценить положение движущегося транспортного средства, получая при этом точные и компактные сетки крупномасштабных сцен на открытом воздухе. Весь алгоритм работает со скоростью примерно 54 кадра в секунду.

Эта статьяиз Основные вкладыиметь：

1) Использовать параллельную схему пространственного хеширования для обеспечения лидарной одометрии в реальном времени и методов картографирования на основе сетки для крупномасштабных сцен;

2) Метод инкрементной воксельной сетки объединяет каждое лидарное сканирование всего за один проход, используя преимущества масштабируемого модуля секционирования;

3) Точный метод одометрии «точка-сетка», который оценивает положение по облакам точек и восстановленным треугольным сеткам;

4) Эксперименты показывают, что предложенный метод Mesh-LOAM может обеспечить высокоточную оценку позы при восстановлении многообещающих треугольных сеток для крупномасштабных сцен на открытом воздухе в реальном времени.

Обзор контента

Обзор

Будут представлены крупномасштабная лидарная одометрия на основе сетки и метод картирования в реальном времени, а на рисунке 2 показан обзор предложенной нами схемы. Одометрия «точка-сетка» достигается путем предварительной оценки позы с помощью модуля ассоциации данных на основе положения и объектов. Во-вторых, предлагается эффективный метод построения воксельной сетки для восстановления поверхностной сетки с использованием редких приращений вокселей. Наконец, представлена ​​простая и эффективная параллельная схема и метод реализации, основанные на пространственном хешировании, для эффективного извлечения вокселов и обеспечения устойчивости реконструкции.

Облако точек и лидарная одометрия по сетке

В этом документе используется метод регистрации «точка-сетка», аналогичный Puma и SLAMesh, который можно использовать для повышения точности одометрии. Поскольку эффект сопоставления кадра сканирования с моделью лучше, чем традиционное сопоставление кадра сканирования с кадром сканирования, наше представление в виде сетки. Рассчитывается из последовательных накопленных кадров сканирования.

1) Выбор плоских объектов. В предлагаемой системе регистрации облака точек в сетке выбираются плоские облака точек, чтобы облегчить точную оценку положения, процесс, который включает оценку 3D-объектов путем подгонки локальных плоскостей к текущему лидарному сканированию. Нормаль к поверхности точки p =. (х, у, z) ⊤.

2) Ассоциация данных: эта схема одометрии направлена ​​на оценку положения 6-DoF текущего кадра k на основе модели глобальной сетки. Учитывая ранее оцененные положения Tk-2 и Tk-1, прогнозируемое положение текущего кадра может быть следующим. расчетное производное.

3) Оптимизация позы: чтобы добиться более эффективной сходимости в процессе оптимизации, сосредоточьтесь на оценке относительной позы T вместо непосредственного расчета глобальной позы Tk. T — это отклонение между прогнозируемым кадром Pw и глобальной треугольной сеткой, поэтому цель состоит в том, чтобы минимизировать ошибку привязки точки к сетке.

Инкрементная воксельная сетка

Создание в реальном времени для крупномасштабных сред,Мы предлагаем двухэтапный подход «Инкрементная воксельная сетка». Во-первых, предлагается эффективный гибридно-взвешенный метод слияния вокселей.,Он использует редкие вокселы для сохранения глобальной информации об изображении.,и позволяет сканировать каждую точку только один раз. Во-вторых, для сжатия пространства используются высокоадаптивные воксельные блоки.,И эффективно извлекайте сетку поверхности поверхности.

Схема параллельного пространственного хеширования

Чтобы добиться распараллеливания воксельных операций, мы применяем простую и эффективную схему на основе пространственного хеширования. Кроме того, предложенная схема удаления вокселей обеспечивает долгосрочную реконструкцию и гарантирует, что качество задействованных сеток не пострадает.

эксперимент

Подробности эксперимента будут представлены здесь.,И существуют четыре реальных мира из большого общественного набора данных для оценки нашего метода, основанного на одометре и построенном изображении. Кроме того, по сравнению с современными методами,Мы добились обнадеживающих результатов как в количественном, так и в качественном отношении. Кроме того, была также проверена эффективность предложенной нами схемы одометрии сетки и удаления вокселей.,и обсудили время вычислений.

Оценка одометра

Чтобы изучить эффективность лидарной одометрии, мы используем широко используемый набор одометрических данных KITTI для сравнения предлагаемого нами метода с современными методами, основанными только на лидаре и использующими различные типы карт.

Рисунок 5: Расчетные траектории Mesh-LOAM в последовательности KITTI от «00» до «10».

картина 5 изображает последовательность из "00 "приезжать "10 "оцененные траектории, включая городские, сельские, жилые районы и шоссе. Мы основали KISS-ICP и FLOAM эксперимент, установка была произведена экспериментом, для KITTI набор данных, мы используем каждый 100 Метры оцениваются в % от относительной ошибки перевода и в градусах от относительной ошибки вращения. поверхность I Показано, что наш метод дает хорошие результаты в KITTI В наборе данных дрейф ошибки перевода равен 0,51%, ошибка вращения 0.15 градус/100 рис.

Наши показатели одометрии количественно оцениваются на более сложном наборе данных Hilti 2021. Поскольку большинство последовательностей в наборе данных Hilti 2021 предоставляют достоверные позы с 3 степенями свободы, мы используем абсолютную ошибку траектории (ATE) % в качестве критерия оценки.

Мы используем только Ouster OS0-64 liDAR Соберите изданные, проведите эксперимент. потому что FLOAMи KISS-ICPсуществовать Должен Набор Опубликованных результатов по данным нет, поэтому мы провели эксперимент, используя их реализацию. Такие как поверхность II икартина 6 показано на портативном устройстве Hilti Набор данных 2021 Для большинства сцен на открытом воздухе и в помещении предлагаемый нами метод показал наилучшие результаты.

картина 6: Набор Hilti Challenge данныхSLAMСравнивать

Построить оценку

Чтобы показать нашу сетку LOAM Из обоснованности и универсальности мы качественно показали два больших набора данные на некотором одометре и построить картину результатов. картина 9 Показан KITTI последовательность "07 «В крупномасштабных сценах на открытом воздухе мы можем видеть гладкие и ровные дороги и транспортные средства различных форм, которые в основном завершены.

картина 9 Показан KITTI последовательность "07 «Масштабная сцена на открытом воздухе

картина 10 показал Hilti Набор данные о реальной архитектурной среде, изображающие гладкую землю и вогнутую грубую строительную площадку. Поскольку данные собираются с помощью портативной платформы, покрытие облака точек не является равномерным, что приводит к появлению некоторых пробелов по краям. Эти видимые результаты доказывают, что мы предлагаем из Mesh-LOAM может генерировать точные 6-DoF позировать и одновременно реконструировать плотные сетки крупномасштабных сцен на открытом воздухе.

картина 10 показал Hilti Набор данныхначальствоизреальная искусственная среда

Чтобы наглядно проиллюстрировать восстановленную сетку, сравним 0.1m приезжать 0.4m Результаты раскрашивания картины при разном разрешении сетки. Такие как картина 7 икартина 8 показано,Наш метод позволяет создавать полные сетки для больших сцен на открытом воздухе.,сохраняя при этом точную структуру,Например, очертания транспортных средств, неглубокие бордюры и деревья.

картина 7：KITTI Набор данныхпоследовательность "07 "результаты избилдкартина, разрешение от 0.1 рисприезжать 0.4 Метры различаются.

изображение 8: MaiCity Набор данных на расстоянии от 0,1 метра до 0,4 м в разном разрешении. Изготовить результаты изображения.

Для оценки качества предлагаемый нами метод изготовляет картину.,Наш метод сравнивается с тремя современными методами.,в том числе на основе TSDF Метод плавления VDB Фьюжн, основанный на Possion метод регрессии Puma основана на методе обучения. SHINE-Mapping 。существоватьMaiНабор данныхиновая школа Набор Используйте то же самое для данных 0.1 Измерение размера воксела было проведено в эксперименте.

поверхность III Приведены результаты оценки погрешности расстояния в сантиметрах. Показано два Набора Пороги ошибок данныхсуществовать соответственно равны 10 смми 20 см, степень завершения F Оценка (выраженная в процентах от поверхности). существуют Эти два Набора По данным, мы предполагаем, что метод из лучше, чем три метода.

нравитьсякартина 11 Как показано, наш метод восстанавливает наиболее полную сетку поверхности, сохраняя при этом детальные структуры, такие как очертания транспортных средств, пешеходов и придорожные деревья. Два набора данныеиз Количественные и качественные результаты все понятны.,Предлагаемый нами метод построения сетки может использовать преимущества предложенного нами метода гибридной взвешенной интеграции вокселей.,Восстанавливайте полные и точные сетки для крупномасштабных сцен на открытом воздухе.

картина 11：MaiCity Набор данныеиз Результаты качественного сравнения. В первой строке показаны различные методы восстановления сетки, в том числе наш метод Puma. 、SHINE-Mapping、VDB Fusion。Вторая строка показываетизнаходится между восстановленной сеткой и истинным значениемизошибкакартина。красныйповерхностьпоказывает разницу между реконструированной сеткой и реальными даннымиизположительное расстояние,Зеленая поверхность указывает на отрицательные расстояния. Чем ярче цвет,Тем больше ошибка.

Оценка вычислительной эффективности

Чтобы доказать эффективность предложенного нами метода,,Мы оценили время вычисления кадра для разных шагов.,включая предварительную обработку、Одометрия «точка-сетка»и Инкрементная воксельная сетка。所иметь评估都是существовать KITTI набор Судя по данным, размер воксела равен 0.1 рис.Шаг предварительной обработки занимает примерно 4.7 Миллисекунды, перемещение точки по сетке занимает ок. 11.1 миллисекунда, Инкрементная воксельная сетка необходимая на кадр 2.7 миллисекунда. Наш подход в целом работает со скоростью примерно 54 кадров (fps) для удовлетворения требований реального времени. Производительность во время выполнения во многом обусловлена ​​пассивным SDF Вычисление моделей масштабируется с помощью модуля секционирования, который использует преимущества эффективной схемы. параллельного пространственного хеширования. Узкое место в скорости в основном возникает из-за множественных поисков правильного соответствия сетке из точки прибытия на этапе измерения сетки. Воспользуйтесь быстрым доступом из SDF землякартина,Наши существованные расчеты смежных сеток,чтобы ускориться. но,Этот процесс все равно займет некоторое время.

Подвести итог

В этой статье предлагается крупномасштабная лидарная одометрия в реальном времени и метод построения сетки. Использовать схему параллельного пространственного хеширования, введена Инкрементная воксельная Алгоритм сетки для быстрого восстановления треугольных сеток, который объединяет каждый кадр лидарного сканирования всего за один проход и использует преимущества масштабируемого модуля разделения. Кроме того, метод регистрации одометрической сетки точки прибытия предназначен для оценки положений между входным облаком точек и восстановленной треугольной сеткой. существуют массивные уличные наборы Эксперимент был проведен на данных и результат поверхности показал, что мы предложили из Mesh-LOAM Он позволяет добиться высококачественной 3D-реконструкции с низким дрейфом и на более высокой скорости. Поскольку извлечение сетки существует GPU Оно осуществляется в Интернете, поэтому требует определенного количества GPU Память. В дальнейшей работе мы будем изучать методы упрощения сетки, чтобы уменьшить использование памяти.