Low-Cost GPS-Aided LiDAR State Estimation and Map Building 论文阅读,简单总结。

摘要

多种传感器对于基于优化的自动载具的定位估计可以带来多种约束。本文提出一个低成本的GPS辅助的雷达状态估计系统。

  • 使用雷达得到高精度的3D几何数据。
  • 使用IMU去校正由于不正确的地点识别造成的点云不匹配。
  • 雷达里程计以及IMU测量被联合优化。
  • 使用低成本GPS去改进雷达-IMU的姿态估计结果。
    实验结果显示提出的GPS辅助的雷达-惯导里程计有着非常高的精度。在一个工厂收集的数据集上的定位精度达到0.14m。

Introduction

real-time kinematic module(RTK)或者GPS可以提供厘米级别的精度3。RTK模块利用基站提供的载波相位定位数据来补偿GPS定位产生的误差。而且当前RTK还会导致很多问题。区域[5],多路信号问题和GPS信号屏蔽问题[6]。

雷达定位本身有着很高的精度,但是对于环境中有动态问题时很容易失效。IMU用来进行自运动估计,但由于其需要二次积分,会带来很大的误差。

GPS,雷达,IMU的融合会带相互弥补它们之间的缺陷。

系统总览

Screenshot from 2019-11-18 10-09-52.png
雷达输入频率10Hz,IMU 200Hz, GPS约1Hz。系统分为两个模块,定位与建图模块。从系统图看起来,雷达和IMU分别进行了定位和预积分,之后进行了联合优化。之后里程计被GPS进行了进一步优化。
37024-4r8dx4j6yd.png
系统的姿态图如上图,以IMU估计作为body,需要考虑雷达相对IMU的外参。观测间的约束如(b)所示。雷达由于需要点云对齐,两个位姿间构成约束从而可以构建误差公式进行优化相对位姿。IMU预积分构成了第二个约束,IMU与雷达的联合定位可以进一步优化雷达位姿间的相对运动同事还可以优化IMU的相关内参。GPS可以作为一个外来项来约束整体位姿信息。

相关工作

略。

雷达-惯导定位

A. IMU估计
传统的二阶积分。观测值被建模成了常见的真值+噪声+偏差的模式。
49352-8fm6vfzl7qk.png
需要积分的数据是两个状态i,j间相对位姿关系,${R_I^{W}}_i^T {R_I^{W}}_j$(陀螺仪一阶积分),两个状态间的相对速度(加速度计一阶积分)$v_j-v_i$,两个状态间的相对位移$t_j-t_i$(加速度计二阶积分)。
B. IMU预积分
将一大段积分分成很多个小段,要求某一位置将前一段和这一段拼起来。
C. 雷达定位
ICP算法不实时,文章提出将点云分为地面点和非地面点。接着使用基于edge-suface的对齐[7]。定义局部凸来计算激光雷达各点光束的局部平滑度。值越大,表示局部曲面越尖锐。根据局部凸性准则选择边和曲面。
26846-xtefiu1mehq.png
目测还是找特征,然后匹配,之后优化得到位姿变换。公式中的三项分别是边约束、面约束以及地表点云约束。

GPS优化

01691-c8r4fi784c9.png
上式中$t$为雷达-IMU优化后得到的位姿中的位置部分,$p$为GPS定位后转换到局部坐标系的部分,直接构成一个外来约束。

3D持续建图

首先提到了雷达点云的去畸变。因为雷达是持续工作的,而10Hz是得到的了一个离散的状态,在这个间隙雷达持续工作得到的扫描电的时间是不一样的,比如从0到0.1秒之间,一部分点云是0.01秒时扫描的,一部分是0.05秒扫描的,这些数据都是些距离与角度信息,需要确定那个时刻的位姿去把这些点放到确定的位置上。自然而然地得到了去畸变的方式,是以当前位姿加前三个位姿组成一个样条曲线,那么上一时刻到这一时刻的所有时间点的位姿就已知了,再用这些位姿去将点云放在它应该在的位置。(从参考文献看是参考了卷帘快门相机的校正方式,[13],[14])。

实验

装备:Velodyne VLP-16 LiDAR sensor, a Ublox GYGPSV1 NEO-M8N GPS module(土豪帮穷人想办法系列)。
A. 工厂环境测试
94964-30a69144fey.png
总的路径长度1.1km,平均轨迹误差0.14米(应该就是指ATE),主流的激光在kitti数据集上的精度能够达到轨迹长度的0.6%-1%,所以如果他们这个算法能够在kitti上达到这个精度那也是很厉害了(不过似乎kitti是没有GPS的)。

B. 港湾环境测试
64060-npfjeim5wyc.png
没说指标,估计不太行的样子。

未来可以做的工作

  • 对复杂环境的处理
  • 健壮性提高
  • GPS辅助的双目里程计

总结

提出了一套雷达-惯导的SLAM流程,比当前的算法在实际场景中的测试效果要好。论文提出的指标很高。方法上在点云校正上有点意思(也许是我刚接触吧)。但是对于文中的实时点云配准这里的方法还是有疑惑,估计得参考他的参考论文。

比较重要的参考文献

[3] K. Ohno, T. Tsubouchi, B. Shigematsu, and S. Yuta, “Differential gps and odometry-based outdoor navigation of a mobile robot,” Advanced Robotics, vol. 18, no. 6, pp. 611–635, 2004.
[4] F. Capezio, A. Sgorbissa, and R. Zaccaria, “Gps-based localization fora surveillance ugv in outdoor areas,” in Proceedings of the Fifth Inter-national Workshop on Robot Motion and Control, 2005. RoMoCo’05.IEEE, 2005, pp. 157–162.
[5] R. B. Langley, “Rtk gps,” GPS World, vol. 9, no. 9, pp. 70–76, 1998.
[6] N. Sünderhauf, M. Obst, G. Wanielik, and P. Protzel, “Multipath mitigation in gnss-based localization using robust optimization,” in 2012IEEE Intelligent Vehicles Symposium. IEEE, 2012, pp. 784–789.
[7] J. Zhang and S. Singh, “Loam: Lidar odometry and mapping in real-time.” in Robotics: Science and Systems, vol. 2, 2014, p. 9.
[13] S. Lovegrove, A. Patron-Perez, and G. Sibley, “Spline fusion: A continuous-time representation for visual-inertial fusion with application to rolling shutter cameras.” in BMVC, vol. 2, no. 5, 2013, p. 8.
[14] E. Mueggler, G. Gallego, H. Rebecq, and D. Scaramuzza, “Continuous-time visual-inertial odometry for event cameras,” IEEE Transactions on Robotics, vol. 34, no. 6, pp. 1425–1440, 2018.

标签: 每日一篇论文

添加新评论