本文转载自公众号@点云PCL，基于激光雷达的里程计及3D点云地图中的定位方法 :https://mp.weixin.qq.com/s/laA1YAPBCpqlzdGi0yb2cQ

论文：LOL: Lidar-only Odometry and Localization in 3D point cloud maps

作者：David Rozenberszki and Andr ´ as L. Majdik

代码已开源：https://github.com/RozDavid/LOL

一 论文摘要

论文提出了在城市环境中驾驶车辆在配备激光雷达实现的车辆的里程计和定位的问题，在该环境中首先要生成能够进行定位任务的目标点云地图。在文章中，为校正仅仅依赖激光雷达的里程表的累积漂移，应用了一种位置识别方法来检测在3D点云数据中的线段与先验制作好的离线地图之间的几何相似位置。在提出的系统中，为了发挥激光雷达测距的精确性的优势，这里将雷达测距算法与提出的3D点云线段匹配方法相集成。此外，我们提出了其他增强方案，以减少在点云提取到的线特征与目标地图之间的错误匹配次数，并在回环检测到良好匹配时重新定义位置估计的误差实现优化。我们在不同距离和环境的多个Kitti数据集上演示了LOL系统的实用性，在每种情况下，重新定位的准确性和车辆轨迹的精度都得到了显着提高，同时仍然能够保持实时性能。

一 主要贡献

文章的主要贡献是将LOAM和SegMap两种算法集成和优化到一个全新的解决方案中，从而创建了仅激光雷达的里程表和定位（LOL）方法，从而无需使用任何其他辅助传感器，例如IMU，车轮编码器和基于卫星的全球定位系统（GPS）。此外，通过使用点云数据几何特征相似性约束，在接受正确匹配项方面进行了一些其他改进。采用基于RANSAC的几何验证，一旦检测到目标地图上的线特征测量结果之间的具有匹配良好，只搜索由位置不确定性定义的当前位置附近的相似3D 点云线特征。此外，我们只使用目标地图和实时提取到的线段质心之间的偏移作为先验，并通过在两个点云之间应用细粒度的ICP匹配来优化最终的转换。我们在几个Kitti数据集上测试了所提出的算法，在精度方面有了相当大的提高，而计算成本没有显著增加。

总而言之，本文通过以下贡献对现有技术进行了改进：

• 通过整合和补充两种上文提及LOAM和SegMap两种算法的优势，我们提出了一种新颖的仅Lidar里程表和定位系统。

• 我们提出了以下方案增强了算法性能：

  （i）基于RANSAC的几何验证，以减少点云的线特征和离线地图之间的错误匹配次数；

  （ii）细粒度的ICP匹配，可以在检测到良好匹配时提高重新定位的准确性。

• 开源了源代码

二 论文图集

这是完整的激光雷达里程计和定位算法的流程图，其中蓝色代表来自LOAM的部分算法，橙色代表来自SegMap部分算法，绿色代表我们文章的贡献。仅边框为绿色是论文实现的增量姿势图映射模块，这里是修改了原始SegMap方法，以将重新定位合并到全局地图中。

实验结果说明和在各种距离的Kitti 数据集上测试的轨迹之间的比较：

（a）数据集drive 18，04:36分钟，≈2200m；

（b）数据集drive27，07:35分钟，≈3660m；

（c）数据集drive28 ，08:38分钟，≈4125m。

第一行：LOAM算法的结果，地面真值图用黑点可视化，而自建图根据垂直高度从绿色到红色区别。

下一行：相对于地面真值图，通过应用提出的LOL算法获得的轨迹（绿线）与所示原始LOAM轨迹（红线）之间的比较。

为了消除里程计估计的漂移，对局部点云和目标点云进行对齐所需的步骤：（a）利用线段质心计算初始变换；（b）应用RANSAC算法对离群点匹配进行滤波；（c） 通过在相应的分割点云之间进行ICP匹配来改进更新估计。最终对准结果如（d）所示。

三 实验结果

所有实验都是在Intel i7-6700K处理器，32 Gb RAM和Nvidia GeForce GTX 1080 GPU的系统上进行的。

该图是更新的路径和Kitti Drive 18数据集上原始LOAM算法的路径的重新定位姿势的绝对误差。在这里，绝对误差的值是通过将扫描时间戳上的轨迹点的整体姿态与相同时间戳下的相应真值轨迹姿态进行比较来计算的。通过姿态的3D欧式距离计算误差。

四 总结

该方法解决了预制作的3D点云地图中雷达测距和定位的问题。算法由两种最新算法组成并加以优化，这些算法以相互补充的方式突出其优势。此外，我们还通过RANSAC剔除噪声的方法优化该解决方案，以提高确定性，并在定位和点云地图进行ICP匹配以提高精度。

五 参考文献

[1] J. Zhang and S. Singh, “Low-drift and real-time lidar odometry and mapping,” Autonomous Robots, vol. 41, pp. 401–416, 02 2017.

[2] A. Geiger, P. Lenz, and R. Urtasun, “Are we ready for autonomous driving? the kitti vision benchmark suite,” in 2012 IEEE Conference on Computer Vision and Pattern Recognition, June 2012, pp. 3354–3361.

[3] R. Dube, A. Cramariuc, D. Dugas, H. Sommer, M. Dymczyk, J. Nieto, ´R. Siegwart, and C. Cadena, “Segmap: Segment-based mapping and localization using data-driven descriptors,” The International Journal of Robotics Research, vol. 39, no. 2-3, pp. 339–355, 2020. [Online].

Available: https://doi.org/10.1177/0278364919863090

[4] S. Rusinkiewicz and M. Levoy, “Efficient variants of the icp algorithm,” in Proceedings Third International Conference on 3-D Digital Imaging and Modeling, May 2001, pp. 145–152

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉优质源码，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

汇总|国内最全的3D视觉学习资源，涉及计算机视觉、SLAM、三维重建、点云处理、姿态估计、深度估计、3D检测、自动驾驶、深度学习（2D+3D）、图像处理、立体视觉、结构光等方向：https://mp.weixin.qq.com/s/xyGndcupuK1Zzmv1AJA5CQ