点云PCL免费知识星球，点云论文快读。
文章：Lightweight 3-D Localization and Mapping for Solid-State LiDAR
作者：Han Wang, Chen Wang, and Lihua Xie
编译：点云PCL
代码：https://github.com/wh200720041/ssl_slam.git
欢迎各位加入免费知识星球，获取PDF欢迎转发朋友圈。文章只是学术分享，如有侵权，请联系删除。未经博主同意，请勿擅自转载。
论文阅读模块将共享点云处理，SLAM，与三维视觉和高精度地图相关的文章。官方账户致力于了解三维视觉领域的干货共享。欢迎加入我。我们每天阅读一篇文章，开始分享之旅。如果您感兴趣，请联系微信dianyunpcl@163.com。
摘要
LiDAR传感器同步定位和构图（SLAM）现有的重要作用已成为最重要的感知设备之一SLAM该方法主要针对大型机器人常用的机械激光雷达传感器。最近，固体激光雷达变得流行起来，因为它为小型机器人提供了一个经济、高效、轻的解决方案。与机械激光雷达相比，固态激光雷达传感器具有较高的更新频率和角度分辨率，但也具有较小的视野（FoV），现有的激光雷达SLAM算法很有挑战性。因此，有必要为这种新型传感器提供更稳定、更高效的计算SLAM方法。为此，我们提出了一种新型固态激光雷达传感器SLAM框架，包括特征提取、里程估计和概率地图构建，评估了仓库机器人和手持设备中提出的方法，并在实验中使用Intel L515固体激光雷达证明了我们方法的准确性和效率，结果表明我们的方法可以提供准确的定位和高质量的地图。我们在网站上发布了源代码：https://github.com/wh200720041/ssl_slam.git
主要贡献
在这项工作中，作者提出了一种新的轻固体激光雷达SLAM受现有激光雷达的影响，框架包括特征提取、里程估计和概率地图构建SLAM方法（如LOAM和lego-LOAM）我们提出了一种利用水平和垂直曲率的旋转变体特征提取方法。该方法在移动平台上提供了实时定位，我们进行了全面的实验，以评估其性能。
本文的主要贡献如下：
我们提出了一个全部SLAM固体激光雷达框架的目标是解决小视场、高更新频率的感知系统，并开源提出的方法。
我们提出了一种改进的特征提取策略，可以在显著的旋转下搜索一致的特征。此外，李代数用于迭代姿势估计，因此该姿势以一种非奇怪的格式存储来全面评估提出的方法。更具体地说，我们将Intel L515固态激光雷达集成AGVs在复杂的仓库环境中测试提出的方法。
该方法可提供实时定位，旋转时具有鲁棒性。
主要内容
该系统由特征提取、里程估计和概率地图三个主要模块组成。
固态激光雷达将所有传感器集成在单个硅芯片上，无需移动部件。与机械激光雷达相比，它通常具有更高的分辨率和更新频率。因此，计算量可能相对较大，无法匹配原始点云LOAM在处理数据之前，我们使用更有效的边缘和平面匹配边缘和平面匹配，在处理数据之前，根据测量距离去除噪声点，最大检测范围附近的读数通常不准确，因此我们对这些噪声点进行了预处理滤波。
里程估计是基于历史激光扫描点在整体坐标系下估计机器人当前姿势的任务。传统的轨迹估计方法是从扫描点到扫描点或地图的匹配。扫描帧到扫描帧的匹配方法将当前帧与最后一帧对齐。然而，与局部地图相比，单个激光扫描帧包含的周围信息较少，从长远来看会导致漂移。为了减少计算量，采用滑动窗口法，利用相邻帧的边缘特征和平面特征，构建局部特征地图。
迭代法中程估计的过程伪代码如下
构建整体地图通常相对较大，计算中不能使用每帧更新。因此，我们只使用关键帧来更新和重建地图，并根据以下标准选择关键帧：
(1)如果机器人的位移足够明显(即大于预定义阈值)。
(2)如果旋转角度(包括横滚、俯仰、偏航角变化)变化较大。
(3)在实践中，旋转和平移阈值是基于传感器的FoV根据处理器的计算能力定义最小更新率。为了提高搜索效率，采用八叉树构建全局地图。
实验
该方法首先配备VICON评估了系统的房间，然后在仓库操作中自动引导车辆（AGV）我们分析了该方法的性能，并与现有的激光雷达相结合SLAM在我们的实验中，为了进一步说明该方法的鲁棒性，还将该方法集成到用于三维扫描的手持设备中，使用Intel Realsense L515演示是一种小型视场固态激光雷达，比智能手机更小更轻，可用于许多移动机器人平台。该算法使用C 实现，并在Ubuntu 18.04和ROS 上实现。
为了评估定位结果，我们的方法和VICON比较系统提供的真实值，手动控制机器人，尺寸为4m×4m的VICON室内移动结果如图3所示，地面真实值的轨迹和我们的方法分别用红色和绿色绘制，平均计算时间为每帧31ms，该方法实现了5cm激光雷达广泛使用的平移误差SLAM的LOAM比较，根据L515传感器特性的变化LOAM输入垂直角度和水平角度，同时保持边缘和平面特征的数量不变。LOAM结果是橙色的，很明显，当旋转较大时，LOAM跟踪损失会发生，我们的方法仍然可以准确跟踪。
在仓库环境中运行AGV在先进的工厂中，机器人应能够自动运输、加工和组装产品，这就要求机器人在复杂而高度动态的移动操作员和其他机器人环境中有效地定位自己。在本实验中，提出的方法集成到工业中AGV在如图4所示的环境中。
当固体激光雷达返回水平方向时，我们记录角度偏差。当最终角度偏差大于10度时，考虑跟踪丢失的方法和A-LOAM进行比较，结果如表二所示，可以看出，与A-LOAM该方法成功率较高。
总结
在这篇文章中，我们提出了一个全部SLAM固态激光雷达系统框架是一种新兴的激光雷达系统，比传统的机械激光雷达更新频率更高，视野更小，主要包括旋转不变性提取、里程估计和概率地图构建。该方法能够在嵌入式微型PC该方法已经进行了全面的实验来评估，包括仓库AGV手持式移动设备上的实验表明，该方法可以在大多数移动平台上提供可靠、准确的定位和地图，如无人机和手持式扫描仪，并打开源代码。
3D目标检测：MV3D-Net
三维点云分割综述(上)
3D-MiniNet: 从点云中学习2D为了实现快速有效的3D LIDAR语义分割(2020)
win下使用QT添加VTK实现点云可视化的插件GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云语义分割综述
PCL中outofcore基于核外八叉树的大规模点云显示
目标分割基于局部凹凸
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
更多章可查看：点云学习历史文章大汇总
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
扫描下方可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶