以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# #開源代碼# ImMesh: An Immediate LiDAR Localization and Meshing Framework

論文地址：https://arxiv.org/abs/2301.05206

作者單位：香港大學

開源代碼：GitHub - hku-mars/ImMesh: ImMesh: An Immediate LiD... ? ? 在本文中，我們提出了一種新穎的LiDAR(-慣性)里程計和建圖框架，以實現(xiàn)實時定位和網(wǎng)格劃分的目標。這個被稱為IMMesh的框架由四個緊密耦合的模塊組成：接收器、本地化、網(wǎng)狀化和廣播器。定位模塊利用來自接收器的先驗傳感器數(shù)據(jù)，通過將LiDAR掃描配準到地圖來在線估計傳感器姿態(tài)，并動態(tài)增長地圖。然后，我們的網(wǎng)格劃分模塊進行注冊的LiDAR掃描，以動態(tài)增量地重建三角形網(wǎng)格。最后，實時里程計、地圖和網(wǎng)格通過我們的廣播員發(fā)布。

? ? 這項工作的關鍵貢獻是網(wǎng)格劃分模塊，該模塊通過一種高效的層次化體素結構來表示場景，執(zhí)行新掃描觀察到的體素的快速查找，并以增量的方式重建每個體素中的三角面片。這種體素網(wǎng)格化操作是為提高效率而精心設計的；它首先通過將3D點投影到體素中包含的2D局部平面來執(zhí)行降維，然后執(zhí)行網(wǎng)格化操作，使用Pull、Commit和Push步驟進行三角面片的增量重建。據(jù)我們所知，這是文獻中第一個可以在線重建大規(guī)模場景的三角形網(wǎng)格的工作，只需依靠標準的CPU而不需要GPU加速。本文貢獻如下：

1、我們提出了一種新穎的系統(tǒng)，可以在線估計傳感器的姿態(tài)和重建周圍環(huán)境的網(wǎng)格。它的本地化是建立在我們以前的工作VoxelMap的基礎上的，它可以比其他同類方法(例如FAST-LIO2、SUMA、Mulls、Lego-Loam等)更高效、更準確地估計傳感器的姿態(tài)。它的網(wǎng)格劃分模塊實現(xiàn)了一種新穎的網(wǎng)格重建方法，該方法以增量的方式高效地重建網(wǎng)格，并能在標準桌面CPU上實現(xiàn)大規(guī)模場景的實時性能。

2、我們在網(wǎng)格劃分模塊中實現(xiàn)了一種新的網(wǎng)格重建方法，該方法直接利用注冊的LiDAR點作為網(wǎng)格頂點，在線重建網(wǎng)格三角形面片(即，三個三角點的索引)以遞增的方式。具體地說，我們的網(wǎng)格化模塊首先利用一種高效的層次化體素數(shù)據(jù)結構來快速找到新掃描中包含點的體素。然后，通過降維將體素三維網(wǎng)格問題轉化為二維網(wǎng)格問題。最后，使用體素網(wǎng)格的Pull、Commit和Push步驟增量地重建三角形面片。

3、通過大量的實驗對IMMesh的運行時間性能和網(wǎng)格劃分精度進行了評估。我們首先通過提供實時視頻演示來驗證整體性能，演示如何在數(shù)據(jù)收集過程中立即重建網(wǎng)格。然后，我們使用在不同場景中使用不同類型的激光雷達收集的四個公共數(shù)據(jù)集對IMMesh進行了廣泛的測試。最后，我們通過與現(xiàn)有基線的比較來評估IMMesh的運行時間性能和網(wǎng)格劃分精度。

4、此外，我們還通過兩個實際例子演示了實時網(wǎng)格如何應用于潛在的應用。我們首先證明了IMMesh可以應用于LiDAR點云增強，它可以以規(guī)則的方式輸出增強的點，并且與原始的LiDAR掃描相比，具有更高的密度和更寬的視場。然后，我們將IMMesh和我們以前的工作R3LIVE結合起來，實現(xiàn)了場景的無損紋理重建。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容