會議筆記怎么記，SLAM會議筆記（四）Lego-LOAM

2023-12-25 阅读 27 评论 0

摘要：LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain Abstract 提出一種輕量級的ground-optimized雷達定位與建圖方法。首先用點云分割濾除噪聲點，然后提取特征邊界和平面點。 Introduction 輕量級算法在小型嵌入式系統中實現

LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain

Abstract

提出一種輕量級的ground-optimized雷達定位與建圖方法。首先用點云分割濾除噪聲點，然后提取特征邊界和平面點。

Introduction

輕量級算法在小型嵌入式系統中實現。LOAM應用于本項目時，由于計算資源受限，特征提取的頻率無法保證與傳感器采集一致。此外在噪聲環境下，LOAM的表現同樣較差。
首先用點云分割去除不可靠點。ground-optimized方法，兩步最優化位姿估計。第一步從地面提取特征點計算，第二步從分割后的點云提取邊界特征點計算。
在這里插入圖片描述

Segmentation

在這里插入圖片描述
為時間t采集的一組點，所有點首先被投影到距離圖像上。一個點p被表示為圖像上的一個像素。r表示點到傳感器的距離。應用一種基于圖像的分割方法，將圖像點分為不同的簇，相同簇的像素被打上相同的標簽。由此得到一個時間t采集的距離圖像，每個像素點擁有三種屬性，分別為：1.標簽：表示地面點或分割點。2.在距離圖像中的行列索引指針。3.距離值。

Feature Extraction

會議筆記怎么記，同LOAM方法，計算點的光滑度。根據光滑度排序選取邊界和平面點。
在這里插入圖片描述

Lidar Odometry

尋找對應點之間的聯系的方法在LOAM中給出，提出幾種提升效率和精度的方法。

標簽匹配：只在有相同標簽的點簇中尋找對應關系，在標簽為地面的點中尋找對應平面點，標簽為分割簇的點中尋找邊界點。因為在相鄰兩次采集中有相同標簽的點簇更可能有對應關系，所以能夠提升精度，并且排除需要計算遍歷的點數量。
兩步L-M最優化方法：先通過平面點對應關系計算，再通過邊界點對應計算，減少35%時間情況下得到相同精度。