基于自动驾驶汽车记录的3D激光扫描的SLAM闭环问题讨论-德赢Vwin官网网

简介

我们在之前的博客中讨论了一些激光回环检测的方法，但是基本都是围绕着点云特征去做的，并未涉足过深度学习的相关方法，之前作者在查找《经典文献阅读之—BoW3D》资料时看到了一个比较感兴趣的工作《OverlapNet: Loop Closing for LiDAR-based SLAM》，同时这个文章还拥有对应的开源源码Github，非常适合复现以及学习。

工作重心

同时定位和映射（SLAM）是大多数自主系统所需的基本能力。在本文中，我们讨论了基于自动驾驶汽车记录的3D激光扫描的SLAM闭环问题。

我们的方法利用深度神经网络，利用从激光雷达数据生成的不同线索来寻找环路闭合。

它估计广义到距离图像的图像重叠，并提供扫描对之间的相对偏航角估计。

基于这些预测，我们处理环路闭合检测，并将我们的方法集成到现有的SLAM系统中，以改善其映射结果。

简单来说，作者通过深度学习完成点云转换为影像，然后做回环检测，输出Overlap和yaw的操作步骤，文中指出，本文的主要创新点有：

能够利用多个线索，不需提前知道两个雷达扫描的相对位姿，只利用范围、法向量、强度和语义等线索，使用深度神经网络直接估计两个激光雷达扫描的重叠率，以及相对偏航角。

结合里程计信息和重叠率预测实现闭环的检测、修正，可以检测到的闭环整合到现有SLAM系统中，可以提高整体位姿估计的结果，产生全局一致的地图。

无需先验位姿信息，解决在自动驾驶中3D LiDAR SLAM 的闭环检测问题，使用产生正确扫描匹配结果的OverlapNet网络预测初始化ICP

详细算法

2.1 Overlap的概念

作者认为直接对比两个点云之间的距离不够精确，因为会受漂移的影响。

因此提出用重叠率来代替距离检测回环。具体思路是由影像的overlap中来，要成功匹配两个图像并计算它们的相对姿态，图像必须重叠。

这可以通过将重叠百分比定义为第一图像中的像素的百分比来量化，该像素可以在没有遮挡的情况下成功地投影回第二图像中。

请注意，该度量不是对称的：如果图像对存在较大的尺度差异。

例如，一幅图像显示一堵墙，另一幅显示该墙周围的许多建筑物，则第一到第二幅图像的重叠百分比可能较大，而第二到第一幅图像的交叠百分比较低。

在本文中，我们使用了距离图像重叠的思想，明确地利用了距离信息

对于环路闭合，重叠百分比的阈值可用于决定两个激光雷达扫描是否在同一位置和/或环路闭合。

对于环路闭合，这种测量可能比一对扫描记录位置之间的常用距离更好，因为位置可能会受到漂移的影响，因此不可靠。

重叠预测与相对姿势无关，因此可用于查找环路闭合，而无需知道扫描之间的正确相对姿势。

2.2 激光雷达扫描对之间重叠的定义

简单来说就是将两个点云转化为二维图并且坐标系对齐，如果两个坐标差小于阈值记为1，否则为零，求和再除以两个图中像素较小的那个，作者想用这个等式建立训练集。

对于旋转，作者选择旋转多个角度，用最大重叠值代表最终重叠值。

2.3 网络结构

下图描述了所提出的重叠网络的概述。我们利用了多个线索，这些线索可以从单个激光雷达扫描中生成，包括深度、法线、强度和语义类概率信息。

深度信息存储在由一个通道组成的范围图R中。我们使用顶点映射的邻域信息来生成法线映射N，它有三个通道编码法线坐标。

我们直接从传感器获得强度信息，也称为缓解，并使用强度信息为单通道强度图I。使用RangeNet++计算逐点语义类概率，我们将其表示为语义图S。

RangeNet++提供20个不同类的概率。为了提高效率，我们使用主成分分析将20维RangeNet++输出缩减为压缩的三维向量。

信息被组合成一个大小为64×900×D64×900×D的输入张量，其中64900是输入的高度和宽度，$D$取决于使用的数据类型.

这里没有特别仔细去研究，具体就是由两个共享权重的Legs和由Legs生成的相同特征体积对的Head组成。

进一步说这个模型的作用就是将深度图，向量图，强度图，还用RangeNet++做了个语义图一起作为输入。

一个输出是角度特征向量，一个输出是两次扫描之间的重叠率。

同时使用基于surfel的映射系统SuMa作为的SLAM的 pipeline，并将OverlapNet集成到SuMa中，以取代其原始的启发式环路闭合检测方法。

所以说最后就是SuMa+OverlapNet的集合完成的。

审核编辑：刘清

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

SLAM

SLAM

+关注

关注
23

文章
423

浏览量
31819
激光扫描

激光扫描

+关注

关注
0

文章
115

浏览量
11435

原文标题：经典文献阅读之—OverlapNet

文章出处：【微信号：3D视觉工坊，微信公众号：3D视觉工坊】欢迎添加关注！文章转载请注明出处。

浅析基于自动驾驶的4D-bev标注技术

4D-bev标注技术是指在3D空间中以时间作为第四个维度进行标注的过程。4D-bev通常在地场景较为复杂的自动驾驶场景中使用，其可以通过精准地跟踪和

发表于 12-06 15:01 •710次阅读

激光雷达在SLAM算法中的应用综述

一、文章概述 1.1 摘要即时定位与地图构建（simultaneous localization and mapping，SLAM）是自主移动机器人和自动驾驶的关键技术之一，而激光雷达则是支撑

发表于 11-12 10:30 •487次阅读

自动驾驶汽车安全吗？

随着未来汽车变得更加互联，汽车逐渐变得更加依赖技术，并且逐渐变得更加自动化——最终实现自动驾驶，了解自动驾驶

发表于 10-29 13:42 •502次阅读

使用STT全面提升自动驾驶中的多目标跟踪

3D多目标跟踪（3D MOT）在各种机器人应用中发挥着关键作用，例如自动驾驶车辆。为了在驾驶时避免碰撞，机器人汽车必须可靠地跟踪道路上的物体

发表于 10-28 10:07 •221次阅读

自动驾驶HiL测试方案 ——场景仿真3D演示#ADAS #自动驾驶 #VTHiL

自动驾驶

北汇信息POLELINK
发布于 :2024年10月16日 10:55:35

3D激光线扫轮廓传感器在汽车行业的汽车车缝检测的应用

在实际应用中，3D激光线扫传感器可以集成到自动化检测系统中，与机器人或自动化输送系统配合，实现对汽车车缝的全面检测。这些系统通常包括传感器、

发表于 09-14 09:00 •451次阅读

聊聊自动驾驶离不开的感知硬件

自动驾驶飞速发展，绕不开感知、决策和控制决策的经典框架，而感知作为自动驾驶汽车“感官”的重要组成部分，决定了自动驾驶系统对环境的理解和反应能力。为了让

发表于 08-23 10:18 •471次阅读

神经重建在自动驾驶模拟中的应用

AD和ADAS系统需要在能代表真实世界的3D环境条件下，依靠闭环验证确保安全性和性能，然而手工构建的3D环境很难解决Sim2Real的差距并且在可扩展方面存在一定的局限性。为此康谋为您介绍神经重建如何打破限制，在

发表于 08-21 10:03 •1010次阅读

FPGA在自动驾驶领域有哪些优势?

FPGA（Field-Programmable Gate Array，现场可编程门阵列）在自动驾驶领域具有显著的优势，这些优势使得FPGA成为自动驾驶技术中不可或缺的一部分。以下是FPGA在自动驾驶

发表于 07-29 17:11

FPGA在自动驾驶领域有哪些应用？

低，适合用于实现高效的图像算法，如车道线检测、交通标志识别等。雷达和LiDAR处理：自动驾驶汽车通常会使用雷达和LiDAR（激光雷达）等多种传感器来获取环境信息。FPGA能够协助完成这些传感器

发表于 07-29 17:09

自动驾驶汽车如何识别障碍物

自动驾驶汽车识别障碍物是一个复杂而关键的过程，它依赖于多种传感器和技术的协同工作。这些传感器主要包括激光雷达（LiDAR）、雷达、摄像头以及超声波雷达等，它们各自具有不同的工作原理和优势，共同为

发表于 07-23 16:40 •1142次阅读

头盔3D扫描逆向工程3d建模抄数测绘服务-CASAIM中科广电

3D扫描

中科院广州电子
发布于 :2024年04月12日 14:03:01

未来已来，多传感器融合感知是自动驾驶破局的关键

的架构，预计未来许多智能驾驶团队都会引入“占用网络”来提升系统能力。多维像素的应用前景非常广阔。昱感微的融合感知技术+BEV +Transformer+占用网格有望成为L3/L4级自动驾驶最优的落地方案。昱感微电子融合感知平

发表于 04-11 10:26

怎么去使用激光扫描技术（VCJ）增强的3D打印呢？

一种创新型的激光扫描技术可以快速地实现多种材料3D打印，实现：结构更精细，材料更多样。

发表于 01-15 16:47 •548次阅读

如何搞定自动驾驶3D目标检测！

可用于自动驾驶场景下基于图像的3D目标检测的数据集总结。其中一些数据集包括多个任务，这里只报告了3D检测基准（例如KITTI 3D发布了超过40K的图像,其中约15K用于

发表于 01-05 10:43 •580次阅读