点击上方“3D视觉车间，选择星标
第一时间送达干货
作者丨paopaoslam
来源丨泡泡机器人SLAM
F-LOAM : Fast LiDAR Odometry and Mapping
Han Wang, Chen Wang, Chun-Lin Chen, Lihua Xie
IROS 2021
李相江
刘国庆
大家好，今天的文章是F-LOAM : Fast LiDAR Odometry and Mapping。
SLAM广泛应用于自动驾驶、无人机等机器人领域，对于一个好的SLAM计算效率和定位精度对系统至关重要。基于激光雷达的现有激光雷达SLAM通常会有研究工作SLAM问题分为两种模式：scan-to-scan和scan-to-map，这两种模式都是通过计算量大的迭代来计算的。本文提出了基于激光雷达的一般解决方案SLAM提供计算效率高、精度高的系统框架。本文采用非迭代两级失真补偿方法降低计算成本。对于每个扫描输入，提取的线特征和平面特征分别与局部线地图和局部平面地图相匹配，局部平滑度处理采用迭代位置优化。为了评估算法在高挑战场景下的性能，包括AGV定位和自动驾驶公共数据集。该算法在公共数据集评估中定位精度好，处理速度超过10 Hz，为实际应用提供了性能与计算成本之间的良好平衡。它是KITTI数据集排名中最准确、最快的开源SLAM系统之一。
本文的主要贡献如下：
1.对计算资源的需求较低SLAM系统。
2、采用非迭代两级失真补偿方法降低计算成本，提高系统实时运行。
3.开源代码：https://github.com/wh200720041/floam。
本算法主要包括四个部分：传感器模型和特征提取、运动估计和失真补偿、姿图和失真补偿。
机械式3D激光雷达通过旋转线 M 垂直激光束感知周围环境。我们将是第一个 k 雷达扫描帧表示为 Pk，帧中的每一点都表示为 pk(m,n)，其中 m ∈ [1, M] 和 n ∈ [1, N]。激光雷达扫描包含数万个点，这使得 ICP 计算效率低，特征点匹配在实践中更鲁棒、更高效。
3D 机械激光雷达返回的点云在垂直方向稀疏，在水平方向密集。因此，水平特性更加明显，在水平面上检测错误特性的可能性更小。
对于每帧点云，使用下式计算平滑度
式中，Sk(m,n)是pk(m,n)最近的水平方向，|Sk(m,n)|是点云的数量，Sk(m,n)可以根据点云的ID与局部搜索相比，数量统计提高了计算效率。σ边缘点较大Ek，选择σ较小的作为平面点Sk。
在 LOAM和 LeGO-LOAM失真是通过的scan-to-scan匹配来校正的，但是迭代的计算效率低。本文采用两级失真补偿降低计算成本。大多数 3D LiDAR 能够以超过 10 Hz 频率运行，连续两次 LiDAR 扫描之间的时间通常很短，所以你可以首先假设恒定的角度和线速在短时间内预测运动并纠正扭曲。在第二阶段，失真将在位置估计过程后重新计算，重新计算的特征将更新为最终地图。在实验中，发现两级失真补偿可以达到相似的定位精度，但计算成本要低得多。
把机器人放在第一位 k 次扫描时的姿势表示为 4x4 齐次变换矩阵 Tk，两个连续帧 k-1 和 k 之间的 6-DoF 通过以下方式可以估计变换：
其中ξ ∈ SE(3)下面的线性插值可以用来估计短间隔的位置:
据估计，目前未失真的边缘特征将被估计Ek 和平面特征Sk 与整体特征图对齐。整体特征图由边缘特征图和平面特征图组成。为了降低搜索计算成本，存储了边缘特征图和平面特征图 3D KD在树中，通过从边缘和平面特征图中收集附近的点来估计整体线和平面。对于每个边缘特征点 PE ∈ Ek，我们从整体边缘特征图中计算附近点的协方差矩阵。当点分布在线上时，协方差矩阵包含更大的特征值。与最大特征值相关的特征向量被认为是线的方向，向量的位置被认为是附近点的几何中心。类似地，对于每个平面特征点 PS ∈ Sk，我们可以得到一个全局平面。
边缘特征点与全图特征图中边缘特征图的距离如下
其中Pn等于
边缘特征点与全图特征图中边缘特征图的距离如下
全局地图由全局边缘图和全局平面图组成，并根据关键帧进行更新。当平移变化大于预设的平移阈值或旋转变化大于旋转阈值时，选择关键帧。基于关键帧的地图更新可以降低计算成本，而不是逐帧更新。为了降低计算成本，失真补偿是基于恒速模型而不是迭代运动，所以最好 LOAM 迭代失真补偿准确。因此，在第二阶段，根据上一步的优化结果 T?k 重新计算失真：
实验结果
图1 在KITTI测试数据集05序列
(a) 建图结果 (b)3.整合摄像画面D地图
(c) F-LOAM比较轨迹和真值
图2 F-LOAM与KITTI不同序列数据集的结果
绿色为F-LOAM结果，红色是KITTI数据集地面真值
(a)-(e) 序列 00-04 (f)-(j)：序列 06-10。
图3KITTI 计算数据集中不同定位方法的时间
实验对比了IMLS-SLAM,F-LOAM,A-LOAM,LOAM,LEGO-LOAM,VINS-MONO,HDL-SLAM七种算法，评估指标为平均位移误差(ATE)、平均旋转误差(ARE)平均计算时间。通过比较实验结果，本文算法具有较高的稳定性和准确性，在室内测试中实现 2 厘米的平均定位精度是 KITTI 开源最准确、最快的方法之一是数据集中。
点击， 本文下载链接即可获得。
本文仅进行学术分享。如有侵权行为，请联系删除。
后台回复：即可下载国外大学沉淀数年3D Vison精品课件
后台回复：即可下载3D视觉领域经典书籍pdf
后台回复：即可学习3D视觉领域精品课程
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进4.国内首个面向工业级实战的点云处理课程5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法：算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼）
13.重磅！四旋翼飞行器：算法与实战
14.ROS2从入门到精通：理论与实战
15.国内首个3D缺陷检测教程：理论、源码与实战
扫码添加小助手微信，可
也可申请加入我们的细分方向交流群，目前主要有、、、、、等微信群。
一定要备注：，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。也请联系。
▲长按加微信群或投稿
▲长按关注公众号
：针对3D视觉领域的五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近5000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题