[论文解读] A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs

Jiarong Lin, Xiyuan Liu+1 more|arXiv (Cornell University)|Jul 3, 2020

Robotics and Sensor-Based Localization参考文献 24被引用 9

一句话总结

本文提出了一种基于去中心化扩展卡尔曼滤波（EKF）的框架，用于在无人地面车辆上使用多个LiDAR实现同时校准、定位与建图（SLAM）。通过将计算分布在各个LiDAR处理器上并实现在线外参标定，该系统在城市环境中实现了相对误差仅为0.2%的高精度定位，展示了其在多传感器自主系统中的鲁棒性与可扩展性。

ABSTRACT

LiDAR is playing a more and more essential role in autonomous driving vehicles for objection detection, self localization and mapping. A single LiDAR frequently suffers from hardware failure (e.g., temporary loss of connection) due to the harsh vehicle environment (e.g., temperature, vibration, etc.), or performance degradation due to the lack of sufficient geometry features, especially for solid-state LiDARs with small field of view (FoV). To improve the system robustness and performance in self-localization and mapping, we develop a decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs. Our proposed framework is based on an extended Kalman filter (EKF), but is specially formulated for decentralized implementation. Such an implementation could potentially distribute the intensive computation among smaller computing devices or resources dedicated for each LiDAR and remove the single point of failure problem. Then this decentralized formulation is implemented on an unmanned ground vehicle (UGV) carrying 5 low-cost LiDARs and moving at $1.3m/s$ in urban environments. Experiment results show that the proposed method can successfully and simultaneously estimate the vehicle state (i.e., pose and velocity) and all LiDAR extrinsic parameters. The localization accuracy is up to 0.2% on the two datasets we collected. To share our findings and to make contributions to the community, meanwhile enable the readers to verify our work, we will release all our source codes and hardware design blueprint on our Github.

研究动机与目标

• 为解决单个LiDAR在特征稀少或恶劣环境下的局限性，通过利用多个分布式LiDAR实现改进。
• 克服集中式多LiDAR处理架构固有的单点故障和高带宽问题。
• 通过统一的EKF公式，实现实时去中心化车辆状态与LiDAR外参估计。
• 在几何特征有限的真实城市环境中，提升定位精度与建图一致性。
• 提供可复现的开源解决方案，支持多LiDAR SLAM的软硬件可用性。

提出的方法

• 系统采用去中心化EKF公式，每个LiDAR维护独立的EKF副本，处理本地点云数据，并仅交换状态估计值。
• 状态向量包括几何中心的位姿与速度，以及所有LiDAR相对于中心的外参（旋转与平移）。
• 每个EKF通过接收其他LiDAR的状态更新执行预测，并利用新的本地LiDAR扫描进行更新，从而实现分布式状态估计。
• 框架采用恒定速度运动模型，并通过基于特征的ICP类似对齐方法集成点云数据，以保证地图一致性。
• 通过共享环境特征与状态相关性，实现LiDAR之间相对位姿的在线外参标定。
• 系统在配备五个低成本LiDAR的UGV上实现，通过车辆总线通信，专为实时、故障容错运行而设计。

实验结果

研究问题

• RQ1 去中心化EKF框架是否能够在多LiDAR系统中同时估计车辆状态与LiDAR外参？
• RQ2 与集中式架构相比，去中心化处理在提升鲁棒性与降低计算负载方面有何优势？
• RQ3 在特征稀疏的城市环境中，多个视场角较小的LiDAR在多大程度上可提升定位精度？
• RQ4 在多个LiDAR之间使用在线外参标定时，可实现的定位精度是多少？
• RQ5 在存在传感器噪声、网络延迟及部分LiDAR故障的真实条件下，系统性能如何？

主要发现

• 所提出的去中心化框架在配备五个LiDAR的UGV上实时收敛，并成功估计了车辆状态与所有LiDAR外参。
• 在两个真实城市数据集上，系统实现了0.2%的相对定位精度，显著优于单LiDAR配置。
• 在Scene-1中，最大相对误差为0.21%（551.45米内绝对误差1.17米），在Scene-2中为0.20%（436.47米内绝对误差0.88米）。
• 单个前向LiDAR配置在长时间运行后因几何特征不足而失效，而多LiDAR配置则保持了稳定的性能。
• 外参估计随时间稳定收敛，即使从零初始猜测开始，旋转与平移估计也迅速稳定。
• 框架对部分LiDAR故障表现出鲁棒性，如在Fr-Bl-Br、Fr-L-R等减少LiDAR配置下仍保持一致性能。