lego编程机器（一文详解激光SLAM框架LeGO-LOAM）

lego编程机器（一文详解激光SLAM框架LeGO-LOAM）LeGO_LOAM的软件系统输入 3D Lidar 的点云，输出 6 DOF 的位姿估计。整个软件系统分为 5 个部分：对地面点云的配准主要使用的是面点特征；在分割后的点云配准主要使用的是边缘点和面点特征。从中可以看出使用边缘点的数量是要远小于平面点的数量，这也是能实现加速的主要原因。作者的实验平台是一个移动小车（UGA），挂载了一个Velodyne VLP-16 线激光雷达，还配有一个低精度的 IMU；选用的硬件平台是 Nvidia Jetson TX2（ARM Cortex-A57 CPU）；整体负载是 20Kg；移动速度为：2.0m/s；测试场景为：地面不平（比较颠簸）的草地。图1 硬件平台LOAM框架在这样的硬件环境和使用场景中会存在一些问题：

作者介绍：Zach，移动机器人从业者，热爱移动机器人行业，立志于科技助力美好生活。

本文来源：3D视觉工坊。

LOAM存在的问题

LeGO-LOAM全称为：Lightweight and Groud-Optimized Lidar Odometry and Mapping on Variable Terrain，从标题可以看出 LeGO-LOAM 为应对可变地面进行了地面优化，同时保证了轻量级。

LeGO-LOAM是专门为地面车辆设计的SLAM算法，要求在安装的时候Lidar能以水平方式安装在车辆上；如果是倾斜安装的话，也要进行位姿转换到车辆上。而LOAM对Lidar的安装方式没有要求，即使手持都没有关系。

作者的实验平台是一个移动小车（UGA），挂载了一个Velodyne VLP-16 线激光雷达，还配有一个低精度的 IMU；选用的硬件平台是 Nvidia Jetson TX2（ARM Cortex-A57 CPU）；整体负载是 20Kg；移动速度为：2.0m/s；测试场景为：地面不平（比较颠簸）的草地。

图1 硬件平台

LOAM框架在这样的硬件环境和使用场景中会存在一些问题：

1. 由于搭载的是嵌入式系统，计算能力将会受限，LOAM的计算需要将难以满足，致使无法做到实时；
2. 如果使用LOAM框架，系统计算每个点曲率的处理频率（数据量很大，VLP-16一条线是1800个点）将难以跟上传感器的更新频率；
3. UGA行驶的路面是非平滑连续的（运动是颠簸的），采集的数据将会失真（运动畸变，匀速运动模型无法适用于颠簸场景），使用LOAM很难在两帧之间找到可靠的特征对应。
4. 在噪杂的环境中操作UGV也会给LOAM带来一些挑战，例如：浮动的草丛和摆动的树叶的点云将被误提取为角点或面点，这些特征是不可靠的，难以在连续帧之间获取准确的匹配，从而会造成较大的漂移。

LeGO-LOAM的设计思路

对地面点云的配准主要使用的是面点特征；在分割后的点云配准主要使用的是边缘点和面点特征。从中可以看出使用边缘点的数量是要远小于平面点的数量，这也是能实现加速的主要原因。

LeGO_LOAM的软件系统输入 3D Lidar 的点云，输出 6 DOF 的位姿估计。整个软件系统分为 5 个部分：

• 第一部分：Segmentation： 这一部分的主要操作是分离出地面点云；同时对剩下的点云进行聚类，滤除数量较少的点云簇。
• 第二部分：Feature Extraction： 对分割后的点云（已经分离出地面点云）进行边缘点和面点特征提取，这一步和LOAM里面的操作一样。
• 第三部分：Lidar 里程计： 在连续帧之间进行（边缘点和面点）特征匹配找到连续帧之间的位姿变换矩阵。
• 第四部分：Lidar Mapping： 对feature进一步处理，然后在全局的 point cloud map 中进行配准。
• 第五部分：Transform Integration： Transform Integration 融合了来自 Lidar Odometry 和 Lidar Mapping 的 pose estimation 进行输出最终的 pose estimate。

LeGO-LOAM的算法细节

图3 噪声环境中一条scan的特征提取过程

A. Segmentation

提取地面点之后，再对剩下的距离图像进行聚类（分簇），过滤掉点云数量小于 30 的点云簇，对保留下来的点云簇分配不同的标签。地面点云属于特殊的一类点云簇（一开始我们就提取出来了）。对点云进行聚类再处理，可以提高运行效率和提取更稳定的特征。例如，小车运行于嘈杂的环境，树叶将会产生不可靠的特征，相同的叶子不太可能在连续两帧扫描中看到。图3(a)是原始点云，包含了很多植被点云；经过处理之后变成了图3(b)，只剩下大物体点云，例如：树干。地面点云将被保留以作进一步处理。此时，保留下来的每个点将具备三种属性：（1）点云的标签；（2）在距离图像中的行列数；（3）距离值。

B. Feature Extraction

这一步主要是从地面点云和分割出来的点云中提取特征，与LOAM中的操作一样。主要要搞清楚几个特征点集合的概念。

为了从各个方向均匀地提取特征，我们将距离图像水平分割成几个相等的子图像，将360°均匀分成6等分，每一等分的精度是 300 \times 16（因为VLP-16线Lidar，一条scan是1800个点）。

计算子图中每一行的点的曲率值，对曲率值进行排序分类，> Cth，分为边缘点特征；< Cth 分为面点特征。设置以下几个集合(论文中这部分语句相近，以下是我个人的理解，可能不准确)：

C. Lidar Odometry

1）Label Matching：LeGO-LOAM对点云进行了聚类分簇，不同的点云簇具有不同的Label。Label 信息可以作为两帧匹配的约束条件，连续两帧之间只有同类标签点云簇才能进行配准。这种方式可以提高配准的精度和效率。

D. Lidar Mapping

LeGO-LOAM的性能表现

作者为测试LeGO-LOAM的性能，设计了一系列的实验来对比LeGO-LOAM和LOAM的表现性能。

作者在户外的小场景和大场景中，分别对LeGO-LOAM和LOAM测试平台执行激烈和平缓的控制，来查看两者的建图效果和效率。

在小场景的激烈运动过程中：LOAM 会把草丛、树叶提取为边缘点特征（草丛和树叶是不稳定特征的主要来源）；而LeGOU-LOAM会过滤掉这些不稳定的特征，只会在树干，地面，台阶等上提取稳定特征。如下图所示（绿色是边缘点，粉色是面点）：

在LOAM框架中，剧烈的运动容易造成点云地图的发散，如下图中(a)LOAM，有三个树干。

作者在大场景的都市环境（是一个学校，不同地点的海拔误差在19m之内）里也进行多种测试以验证建图的精度，有人行道，水泥路，土路和草丛。

LOAM 在人行道上的建图效果并不好，可能是一端存在树木叶子的干扰，如下图所示：

在其他三种场景中，LeGO-LOAM的偏差(终点相对于初始位置的偏差)表现都要优于LOAM。

整个测试的结果如下：

• 特征点数量对比：LeGO-LOAM特征点整体下降幅度超过：29%，40%，68%，72%。

• 迭代次数对比：里程计的迭代次数降低了34%，48%。

• 运行时间对比：降低了 60%

• 位姿误差对比：LeGOLOAM可以用更少的计算时间实现可比或更好的位置估计精度。

参考资料

1. https://github.com/RobustFieldAutonomyLab/LeGO-LOAM

备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区

本文仅做学术分享，如有侵权，请联系删文。