以下內容來自小六的機器人SLAM學習圈知識星球每日更新內容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# DL-SLOT: Dynamic LiDAR SLAM and object tracking based on collaborative graph optimization

論文地址：https://arxiv.org/abs/2212.02077

作者單位：同濟大學

? ? ? ?位姿估計和動態(tài)目標跟蹤是自動駕駛系統(tǒng)的兩個關鍵問題。這些問題的解決通?；诟髯缘募僭O，即同步定位與建圖(SLAM)的靜態(tài)世界假設和目標跟蹤的精確姿態(tài)的假設。然而，這些假設在動態(tài)道路場景中是具有挑戰(zhàn)性的，在動態(tài)道路場景中SLAM和目標跟蹤變得密切相關。因此，我們提出了一種動態(tài)激光雷達SLAM和目標跟蹤方法DL-SLOT，以同時解決這兩個耦合問題。該方法將自動駕駛汽車和環(huán)境中靜止和動態(tài)物體的狀態(tài)估計集成到一個統(tǒng)一的優(yōu)化框架中。

? ? ? ?首先，我們使用對象檢測來識別所有屬于潛在動態(tài)對象的點。隨后，利用過濾后的點云進行激光雷達里程計。同時，我們提出了一種基于滑動窗口的對象關聯(lián)方法，該方法根據(jù)被跟蹤對象的歷史軌跡準確地關聯(lián)對象。在基于滑動窗口的協(xié)同圖優(yōu)化中，集成了靜態(tài)和動態(tài)對象的狀態(tài)。隨后從潛在動態(tài)對象集中恢復靜止對象。最后，實現(xiàn)了全局姿態(tài)圖，消除了累積誤差。

? ? ? 在KITTI數(shù)據(jù)集上的實驗表明，該方法比SLAM和目標跟蹤基線方法具有更好的精度。這證實了同時求解SLAM和目標跟蹤是相互有利的，極大地提高了SLAM和目標跟蹤在動態(tài)道路場景中的魯棒性和準確性。

本文貢獻如下：

1、本文提出了一個統(tǒng)一的優(yōu)化框架，同時估計車輛狀態(tài)和潛在動態(tài)物體。

2、一種利用固定時間間隔滑動窗口內軌跡信息的魯棒高效數(shù)據(jù)關聯(lián)方法。

以上內容來自小六的機器人SLAM學習圈 每日更新內容