以下內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈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# #開源代碼# SDV-LOAM: Semi-Direct Visual-LiDAR Odometry and Mapping（TPAMI）

開源代碼：https://github.com/ZikangYuan/SDV-LOAM

作者單位：華中科技大學(xué) ?

視覺-激光雷達里程計和建圖(V-LOAM)融合了相機和激光雷達的互補信息，是一種具有吸引力的精確和魯棒的姿態(tài)估計和建圖解決方案。然而，現(xiàn)有系統(tǒng)可能會出現(xiàn)嚴重的跟蹤誤差，原因包括:1)3D LiDAR點與稀疏的2D特征之間的關(guān)聯(lián)(即3D-2D深度關(guān)聯(lián));2)在6自由度(DOF)幀到地圖優(yōu)化過程中存在明顯的垂直漂移。在本文中，我們提出了SDV-LOAM，它結(jié)合了半直接視覺里程計和自適應(yīng)掃描到地圖激光雷達里程計，有效地避免了上述誤差，從而實現(xiàn)了高跟蹤精度。我們的SDV-LOAM的視覺模塊直接提取3D激光雷達點投影的高梯度像素進行跟蹤。為了避免VO中匹配幀之間的大尺度差異問題，我們設(shè)計了一種新的點匹配傳播方法，將主幀的點傳播到更接近當前幀的中間關(guān)鍵幀，以減小尺度差異。為了減少垂直方向的姿態(tài)估計漂移，我們的LiDAR模塊采用自適應(yīng)幀到地圖優(yōu)化方法，根據(jù)垂直方向幾何約束的豐富程度，自動選擇優(yōu)化3個水平自由度或6個全自由度姿態(tài)。

此外，我們提出了一種新的掃描重建方法，該方法可以將激光雷達點云的輸入頻率提高到與相機圖像相同的頻率，從而在理論上產(chǎn)生激光雷達里程計的高頻輸出。實驗結(jié)果表明，我們的SDV-LOAM在KITTI里程測量基準上排名第八，優(yōu)于大多數(shù)LiDAR/視覺-LiDAR里程計系統(tǒng)。此外，我們的視覺模塊優(yōu)于最先進的視覺里程計，我們的自適應(yīng)掃描到地圖優(yōu)化可以提高現(xiàn)有開源激光雷達里程計系統(tǒng)的性能。此外，我們還在大規(guī)模環(huán)境下的定制硬件平臺上演示了我們的SDV-LOAM，該平臺既實現(xiàn)了高精度，又實現(xiàn)了輸出頻率。我們將在論文發(fā)表后發(fā)布我們的SDV-LOAM源代碼。

本文貢獻如下： 1)為了保證足夠數(shù)量的二維像素與LiDAR的三維深度點相關(guān)聯(lián)，我們提出了一種新的點提取方法，即從圖像上的3D LiDAR點的投影中提取均勻分布在圖像上的高梯度點。 2)由于3D點云的頻率較低，3D LiDAR點投影幀之間的間隔較大，匹配幀之間會產(chǎn)生較大的尺度差異。為了檢測幀與幀之間可靠的像素對應(yīng)關(guān)系，我們設(shè)計了一種新穎的點匹配方法，將主機幀的點傳播到與當前幀更接近的中間關(guān)鍵幀，然后通過找到當前幀與中間關(guān)鍵幀對應(yīng)的像素來獲得當前幀與主機幀之間的匹配點，以減小尺度差異。 3)為了提高視覺模塊在各種場景下的魯棒性，我們在當前跟蹤點紋理有限的情況下，自適應(yīng)地添加沒有LiDAR點的額外高梯度點作為補充。

以上內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容