每天一分鐘，帶你讀遍機器人頂級會議文章
標題：A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments
作者：Shibo Zhao， Zheng Fang， HaoLai Li， Sebastian Scherer
編譯：姚潘濤
稽核：黃思宇，孫欽
這是泡泡一分鐘推送的第 547 篇文章，歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後臺留言申請授權
摘要
在本文中，我們提出了一種新穎的鐳射慣性里程計和建圖方法，以在大型高速公路環境中實現實時低漂移和魯棒的姿態估計。該方法主要由四個順序模組組成，分別是掃描預處理模組，動態物體檢測模組，鐳射慣性里程計模組和鐳射測繪模組。掃描預處理模組使用慣性測量來補償每次鐳射掃描的運動失真。然後，動態物件檢測模組用於透過應用CNN分割網路從每次鐳射掃描中檢測和刪除動態物件。慣性測距模組在獲得沒有移動物體的未失真點雲後，使用誤差狀態卡爾曼濾波器將鐳射和IMU的資料融合在一起，並以高頻輸出粗略姿態估計。最後，鐳射對映模組執行精細處理步驟，並且使用“框架到模型”掃描匹配策略來建立靜態全域性圖。我們使用KITTI資料集和真實高速公路場景資料集，將我們的方法與兩種最先進的方法LOAM和SuMa的效能進行了比較。實驗結果表明，該方法在實際高速公路環境中的效能優於最新方法，並且在KITTI資料集上具有競爭優勢。
貢獻
提出了一種利用CNN分割網路和鐳射慣性框架的實時鐳射雷達測距和建圖流程。CNN分割網路可以消除每次鐳射測量中動態物件的影響，並且鐳射慣性框架可以克服激進運動並在高速公路環境中實現魯棒的姿態估計。
為了驗證所提出的解決方案，在各種具有挑戰性的環境中進行了廣泛的實驗，例如具有許多運動物體，劇烈運動的環境以及大規模的環境。實驗結果表明，該方法在靜態和動態高速公路環境下均能很好地工作。
圖1 （a）顯示從當前的鐳射掃描中檢測到動態物體（粉紅色點雲），並準確估算感測器的運動（紅色軌跡）。（b）展示了與當前鐳射掃描相對應的真實高速公路環境。我們可以看到有許多行駛中的車輛。（c）顯示透過我們的方法構建的公路地圖的詳細資訊。我們可以清楚地看到建築物的窗戶，高速公路很乾淨。
圖2 鐳射慣性里程計及建圖方法概述。
圖3 編號時間戳記的例證。起點表示與鐳射掃描的開始掃描時間tstart相對應的鐳射點。端點表示與鐳射掃描的結束掃描時間相對應的鐳射點，其相對於起點的旋轉角度為θend。當前點表示與鐳射掃描的當前掃描時間相對應的鐳射點，並且其旋轉角度相對於起點為θ。根據等式1，可以獲得當前點的相應時間戳tcurr。
圖4 公路的真實場景。
圖5 在靜態公路環境中分別應用Ours，SuMa和LOAM演算法後，對映的比較。（A1-A3），（B1-B3）和（C1-C3）分別在閉環區域顯示三個放大檢視，以供讀者比較不同方法的區域性配準精度。
圖6 在動態高速公路環境中分別應用我們的SuMa演算法和LOAM演算法後，對映的比較。A2，B2和C2提供了對映結果的詳細資訊，供讀者比較不同方法的本地配準精度。
表1 高速公路資料集上的LOAM和SuMa的準確性評估和我們的方法（藍色數字突出顯示了每種特定資料集的最佳結果）
圖7 在KITTI 00序列中應用Ours後，建圖結果的效能。地圖的顏色反映了海拔的變化。
圖8 在動態高速公路環境中應用LOAM，SuMa和Ours演算法後，估計軌跡的比較。根據我們的方法（紅線）估算的軌跡可以高精度地對齊地面真相（虛線）。相反，對於LOAM（綠色）和SuMa（藍色）來說比較困難。
圖9 在KITTI資料集上應用Ours和SuMa演算法後，估計軌跡的比較。
表2 LOIT，SUMA和我們對KITTI資料集的方法的準確性評估（藍色數字突顯了所有比較演算法中每個特定資料集的最佳結果）
表3 每個模組的執行時效能
Abstract
In this paper， we propose a novel laser-inertial odometry and mapping method to achieve real-time， low-drift and robust pose estimation in large-scale highway environments。 The proposed method is mainly composed of four sequential modules， namely scan pre-processing module， dynamic object detection module， laser-inertial odometry module and laser mapping module。 Scan pre-processing module uses inertial measurements to compensate the motion distortion of each laser scan。 Then， the dynamic object detection module is used to detect and remove dynamic objects from each laser scan by applying CNN segmentation network。 After obtaining the undistorted point cloud without moving objects， the laserinertial odometry module uses an Error State Kalman Filter to fuse the data of laser and IMU and output the coarse pose estimation at high frequency。 Finally， the laser mapping module performs a fine processing step and the “Frame-to-Model” scan matching strategy is used to create a static global map。 We compare the performance of our method with two state-ofthe-art methods， LOAM and SuMa， using KITTI dataset and real highway scene dataset。 Experiment results show that our method performs better than the state-of-the-art methods in real highway environments and achieves competitive accuracy on the KITTI dataset。
