转载自：https://blog.csdn.net/MyArrow/article/details/80605118

1. 概念

SLAM：它根据两帧扫描数据，基于环境的外形和扫描匹配来计算刚体变换。
仅仅基于里程计传感器（Odometry Sensors provided by wheel encoders）或IMU传感器创建的地图是不准确的，因为里程计传感器存在累计误差，所以LDS(Laser Distance Sensor)使用Scan-Matching/Registration算法使新扫描的激光数据与已有地图或激光扫描数据重新对齐，从而获得更加准确的机器人位姿(Pose)和地图(Map)。
Scan-Matching性能评估指标
- 计算量
- 结果的直观性
Scan-Matching问题描述

1.1 SLAM定位方法

SLAM定位方法流派：概率方法（probabilistic methods）、
概率方法
- Extended Kalman Filter (EKF)
- Particle filter
  - Monte-Carlo （stochastic）
  - Olson (brute-force）
  - Hough (analysis-oriented)
- Maximum Likelihood
匹配法（Scan Matching）：通过匹配两帧点云数据（即把两帧点云数据对齐）来计算机器人的刚体变换
- ICP及各种变体
- Scan-to-Scan
- Scan-to-Map
- Feature-based
- RANSAC for outlier rejection
- Correlative matching
- Iterative Dual Correspondence

2. 迭代最近点 Iterative closest Point (ICP)

基本原理：试图迭代地找到两次扫描之间的变换（平移TT+旋转RR），以使两次扫描（scan frame）的最近邻居之间的距离最小化。
算法组成：对应点搜索和位姿求解。它的目的是寻求点集之间的匹配关系，求解的结果是两点集之间的平移及旋转量。
实现方法：没有特征提取的条件下，把两次scan frame进行对齐
缺点：速度慢速度慢 (因为需要使用所有的点云(point cloud)数据来找到最优变换）
输入：
- 参考激光扫描数据
- 新的激光扫描数据
输出：
- 匹配的精确度（the accuracy of the matching）
- 扫描匹配的协方差矩阵（covariance of the scan matching）：常用于做闭环检测（loop closing）
a

2.1 实现步骤

1) moving
通过变换矩阵（初始变换矩阵通过Odom或IMU计算得到、其它时候为上一次的迭代结果），使两个Scan frame位于同一个坐标系
2) matching
为每一个new scan frame 中的点在reference scan frame中找到一个距离最近的点（逐点搜索或kd-tree optimized search）
3) weighting
根据一定的标准（匹配的距离大小、指定点的不确定性）为每个激光点赋予不同的权重，因为它不能提高收敛速度，一般很少使用
4) rejection
由于移动和遮挡，两个scan frame不可能完全相同，假设有80%是相同的激光点。其它20%为异常点（如距离过大被认为是误匹配、多个新激光点匹配到同一个旧的激光点，则只保留距离最小的激光点），则把它们拒绝掉
5)minimization
- 它返回使两次扫描误差最小的变换矩阵
- 最小化常使用点到线段的距离（point-to-segment distance）, 因为每次观察同一个位置，激光点不一定是同一个点，但这些点总是在同一条直线上
- 最小化点到点的距离（point-to-point）将导致坏的收敛或收敛速度慢
- 误差最小化可通过CholeskydecompositionCholeskydecomposition实现
Loop以上5步，直到满足以下任一条件为止：
- 收敛(converges)
- 结果振荡
- 达到最大迭代次数

2.2 Metric-based ICP (MbICP)

目标：通过improve matching算法来提高性能
基本原理：发现一个变换使用距离dd最小
算法：与ICP相比，只有计算距离的公式有变化（考虑了旋转因素）
- LL是一个与长度等同的设计参数，通过取L=3L=3较佳

2.3 协议差矩阵（Covariance Matrix）

用途：用于描述ICP匹配输出的变换的准确度（accuracy）
2D空间
- 每一个Pose有三个参数(x,y,θ)(x,y,θ)
- 协方差矩阵为3×33×3
3D空间
- 每一个Pose有三个参数(x,y,z,α,β,γ)(x,y,z,α,β,γ)
- 协方差矩阵为6×66×6
计算方法
- Bruteforce Method
- Closed Form Covariance of a Minimization Algorithm
a
a
a

--------------------- 本文来自 Arrow 的CSDN 博客，全文地址请点击：https://blog.csdn.net/MyArrow/article/details/80605118?utm_source=copy

SLAM Scan-Matching/Registration相关推荐

Real-Time Correlative Scan Matching 翻译和总结
Olson E B . Real-time correlative scan matching[C]// Robotics and Automation, 2009. ICRA '09. IEEE I ...
【论文阅读记录】Real-Time Correlative Scan Matching
这篇文章是谷歌的Cartograph中实现real_time_correlative_scan_matcher的论文 Real-Time Correlative Scan Matching Edwin ...
扫描自己进入VR中 SLAM Scan 3D引擎将做到
扫描自己进入VR中 SLAM Scan 3D引擎将做到 2016-03-22 10:58:09我要纠错把17173装进手机神评论0 只需要点击拍照就可以将你的脸上传到虚拟现实世界中瑞士软件初创公司 ...
The Normal Distributions Transform: A New Approach to Laser Scan Matching
这篇论文一共是十一个部分,第一部分和第二部分对应简介和前人的工作,第三四五主要是介绍了算法的实现细节,分别是正态分布的建立过程.点云的匹配和位姿的优化,之后第六和第七两部分介绍了算法的实际应用,在轨迹 ...
ICRA2021 SLAM方向论文汇总
ICRA 2021会议也已经开完了, 所以对原来总结SLAM方向相关的文章进行了重新整理和补全,由于总结比较广泛,大约有200多篇,本文对论文进行了分类,并给出了下载地址和开源代码地址,希望对一起做S ...
SLAM: SLAM的发展历程（WIKI）
参考维基百科: https://en.wikipedia.org/wiki/Simultaneous_localization_and_mapping 你们叫他SLAM,我还是习惯叫他三维重建.... ...
ICRA2022 SLAM相关论文整理
目录视觉SLAM相关线.面.3Dfeature 多相机系统 VIO+GPS 其他数据集三维重建语义SLAM Special sensor Lidar相关视觉SLAM相关线.面.3Dfea ...
ICRA 2021| SLAM方向论文汇总
作者丨wanghy@知乎来源丨https://zhuanlan.zhihu.com/p/371744210 编辑丨3D视觉工坊最近扫读了下ICRA 2021 SLAM方向相关的文章,由于总结比较广 ...
SLAM学习笔记（十九）开源3D激光SLAM总结大全——Cartographer3D,LOAM,Lego-LOAM,LIO-SAM,LVI-SAM,Livox-LOAM的原理解析及区别
本文为我在浙江省北大信研院-智能计算中心-情感智能机器人实验室-科技委员会所做的一个分享汇报,现在我把它搬运到博客中. 由于参与分享汇报的同事有许多是做其他方向的机器人工程师(包括硬件.控制等各方面并 ...

SLAM Scan-Matching/Registration

1. 概念

1.1 SLAM定位方法

2. 迭代最近点 Iterative closest Point (ICP)

2.1 实现步骤

2.2 Metric-based ICP (MbICP)

2.3 协议差矩阵（Covariance Matrix）

SLAM Scan-Matching/Registration相关推荐

最新文章

热门文章