点云PCL免费知识星球，点云论文速读。

文章：Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping

作者：Kailai Li, Meng Li, and Uwe D. Hanebeck

编译：点云PCL

代码：https://github.com/KIT-ISAS/lili-om

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。

论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信[email protected]。

摘要

我们提出了一种新的紧耦合的激光雷达惯性里程计和建图方案，用于固态和机械激光雷达，针对前端，基于特征的轻型激光雷达里程计为自适应关键帧选择提供快速运动估计，针对后端，通过边缘化执行基于分层关键帧的滑动窗口优化，以直接融合IMU和LiDAR测量值。针对新近发布的固体激光雷达Livox Horizon，提出了一种新的特征提取方法来处理预处理过程中的不规则扫描模式，LiLi-OM（ Livox LiDAR-inertial odometry and mapping）具有实时能力，在使用Livox Horizon的公共数据集和实验中，两种类型的激光雷达都比最先进的系统具有更高的精度。源代码和记录的实验数据集在https://github.com/KIT-ISAS/lili-om。

图1: LiLi-OM的Schloss Karlsruhe三维地图

主要贡献

这是一种新的紧密耦合激光雷达惯性里程计和建图方案，该方案具有固态激光雷达的特定传感器，针对Livox Horizon的不规则扫描模式，提出了一种新的特征提取方法，为了以统一的方式直接融合激光雷达和IMU测量，提出了一种基于分层关键帧的方案，使用滑动窗口优化，该系统一般适用于常规和部署的固态激光雷达，它能够实时运行，并提供优于现有系统的里程计精度，我们发布了建议系统的开源代码和Livox Horizon和Xsens MTi-670记录的新固态激光雷达惯性数据集，由于便携式平台的低硬件成本和实时性能，我们的系统为各种场景中的移动感知提供了一个经济高效的解决方案。

主要内容

图 2: 整个系统的流程

整体方案方案如图2所示，3D激光雷达（如Livox Horizon）以10 Hz的常用频率输出点云，并与六轴IMU同步，以更高的频率提供陀螺仪和加速度计测量值（如Xsens MTi-6705为200 Hz），我们希望估计出激光雷达框架的六自由度运动，同时获得全局一致的地图，首先使用陀螺仪数据对激光雷达扫描得到的原始点云进行下采样和旋转去畸变，然后，提取代表平面和边的特征点，给定预处理的扫描点云，一个基于轻型扫描匹配的配准模块以帧到模型的方式运行，用于快速运动估计，并利用点到边和点到平面度量。获得的自运动估计进一步用于消除当前扫描的平移失真，以及根据场景变换自适应地选择关键帧，与预处理和激光雷达里程计平行，激光雷达和IMU测量在后端通过建议的基于关键帧的滑动窗口优化以统一的方式融合。

A 基于特征的固态激光雷达扫描点的匹配

现有的三维激光雷达特征提取方法不适用于Livox Horizon，图3通过将一次激光雷达扫描分为四个阶段来说明其扫描模式（10 Hz）

图3:Livox Horizon与真实场景的扫描模式，根据具有彩虹颜色比例的时间戳渲染点，蓝色斑点描绘了完整的扫描。

图4：针对固态激光雷达所提出的特征提取方法的图示

针对固态激光雷达特征点提取的伪代码

图5：从固态激光雷达提取点云（蓝色）的特征

B 基于关键帧滑动窗口优化的紧耦合激光雷达惯性融合

基于关键帧的方案最初被提出并广泛应用于视觉里程计，以实现实时精确跟踪，如图所示，本文提出的融合方案利用关键帧建立滑动窗口，其中通过非线性优化方式融合关键帧处的激光雷达和预积分IMU测量，当窗口在优化后向前滑动时，构建了一个局部因子图，其中包含两个历史关键帧姿势作为约束，以及由IMU测量初始化的常规帧姿势，调用小比例因子图优化以获得激光雷达频率下的规则帧姿态。

图6：使用基于关键帧的滑动窗口优化的紧耦合激光雷达和惯导融合方案

实验

使用ROS在C++中实现了激光雷达和惯导建图系统，系统是为Livox Horizon开发的，名为LiLi-OM，然而，由于其通用后端融合，它也适用于传统旋转激光雷达，因此，对该系统的两个版本进行了评估：使用所提出的特征提取方法为Livox Horizon提供的原始LiLi OM和其变体LiLi-OM使用旋转激光雷达，评估是基于公共数据集和实验采集的数据集进行的，所有激光雷达帧频均为10 Hz。

提出的LiLi-OM，实时的实现了所有数据集的最佳跟踪精度（粗体）如下表所示：

如图7-（A）所示，移动平台配备了Livox Xsens套件，为了与高端机械旋转激光雷达进行比较，我们在机载安装了Velodyne HDL-64E，并将其与Xsens MTi-G-700 IMU（六轴，150 Hz）同步，在图7（B）的Fraunhofer IOSB园区记录了三个序列：（1）结构化场景中的短路径，（2）灌木丛中，以及（3）长轨迹。

图7：FR-IOSB数据集的实验装置

图8：两种方法的建图结果比较

如图9-（A）所示，Livox Xsens传感器套件进一步部署在背包平台上，用于城市场景中的大规模测试。

图9：（A）使用提出的传感器套件记录KA城市（B） 从Schloss-2上的LiLi OM建图

如图10所示，LiLi-OM使用该方案的低成本传感器套件提供精确的里程计和地图结果

下表展示了具有典型配置的LiLi-OM的特征提取统计数据，提取的特征在预处理时按帧计数，而在后端融合时仅按每个关键帧计数相关特征。

总结

在这项工作中，我们提出了一种新的用于实时激光雷达惯性里程计和建图的传感器融合方法，建立了一种基于关键帧的分层方案，通过滑动窗口优化直接融合激光雷达和预积分IMU测量，给定优化的关键帧状态，通过因子图优化获得规则的帧姿势，提出的激光雷达惯性里程计和建图系统普遍适用于常规激光雷达和小型FOV的固态激光雷达，针对Livox Horizon的不规则且独特的扫描模式设计了一种新的特征提取方法。Livox Horizon是一种新发布的无自旋固态激光雷达，其价格远低于传统3D激光雷达，使用Livox对常规激光雷达的公共数据集和实验进行评估，结果表明，与最先进的激光雷达/激光雷达惯性里程计系统，该系统仍有很大潜力可供开发。

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测：MV3D-Net

三维点云分割综述（上）

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）

win下使用QT添加VTK插件实现点云可视化GUI

JSNet：3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看：点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：

如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除

扫描二维码

                   关注我们

让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。

分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：[email protected]，欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶