以下內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

#論文# A SLAM System with Direct Velocity Estimation for Mechanical and Solid-State LiDARs

作者單位：中山大學(xué) ?

? ? 同時定位和建圖（SLAM）對于在未知環(huán)境中運行的智能機器人至關(guān)重要。然而，現(xiàn)有算法通常是針對特定類型的固態(tài) LiDAR 開發(fā)的，導(dǎo)致新傳感器的特征表示能力較弱。此外，基于 LiDAR 的 SLAM 方法受到 LiDAR 運動引起的失真的限制。為了解決上述問題，本文提出了一種基于 LiDAR 的多功能和速度感知的里程計和建圖 (VLOM) 系統(tǒng)?；谇蛎嫱队暗奶卣魈崛∧K用于處理各種激光雷達生成的原始點云，從而避免了各種不規(guī)則掃描模式的耗時適應(yīng)。提取的特征被分組到更高級別的集群中，以過濾掉較小的對象并減少特征關(guān)聯(lián)期間的錯誤匹配。

此外，采用BA聯(lián)合估計多次掃描的位姿和速度，有效提高速度估計精度并補償點云失真。公開可用數(shù)據(jù)集的實驗證明了 VLOM 在準確性和魯棒性方面優(yōu)于其他最先進的基于 LiDAR 的 SLAM 系統(tǒng)。此外，VLOM 在新發(fā)布的固態(tài)激光雷達 RS-LiDAR-M1 上的令人滿意的性能表明其適用于廣泛的激光雷達。

本文貢獻如下：

1、各種 LiDAR 生成的點云通過球面投影表示為球面圖像，以供進一步處理。與大多數(shù)基于掃描線的特征提取方法相比，我們的方法基于更精確的點到平面或點到線距離對特征點進行分類。此外，這些特征被分組到更高級別的集群中，以防止不準確的數(shù)據(jù)關(guān)聯(lián)。

2、我們在里程計階段估計姿態(tài)的同時估計速度。通過小的BA，我們可以同時對多個掃描執(zhí)行 12 自由度估計，從而使我們能夠直接獲得準確的速度。

3、我們提出了一種計算特征點協(xié)方差矩陣的有效方法，該方法顯著降低了建圖階段BA的計算復(fù)雜度。

4. 我們在四種類型的激光雷達上測試了我們的算法的性能，包括兩種基于轉(zhuǎn)子的機械激光雷達和兩種固態(tài)激光雷達。實驗結(jié)果表明，所提出的方法可以成功地應(yīng)用于這些激光雷達，并且比現(xiàn)有的最先進的 SLAM 方法具有更高的精度。

以上內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容