[论文解读] Characterization of Multiple 3D LiDARs for Localization and Mapping using Normal Distributions Transform

Alexander Carballo, Abraham Monrroy+7 more|arXiv (Cornell University)|Apr 3, 2020

Robotics and Sensor-Based Localization参考文献 10被引用 5

一句话总结

本文基于 LIBRE 数据集，使用 NDT 算法对十种 3D LiDAR 传感器在 3D 制图与 6-DOF 定位任务中的表现进行了评估。研究发现，尽管所有 LiDAR 传感器在使用真实地图作为参考时均能实现正确的位置估计，但性能差异显著：VLP-16 展现出快速收敛特性，而多束 LiDAR 如 HDL-64S2 和 VLS-128AP 因复杂的光束配置与环境噪声，需要更多迭代次数，凸显了点云密度、扫描分辨率与 NDT 算法鲁棒性之间的权衡。

ABSTRACT

In this work, we present a detailed comparison of ten different 3D LiDAR sensors, covering a range of manufacturers, models, and laser configurations, for the tasks of mapping and vehicle localization, using as common reference the Normal Distributions Transform (NDT) algorithm implemented in the self-driving open source platform Autoware. LiDAR data used in this study is a subset of our LiDAR Benchmarking and Reference (LIBRE) dataset, captured independently from each sensor, from a vehicle driven on public urban roads multiple times, at different times of the day. In this study, we analyze the performance and characteristics of each LiDAR for the tasks of (1) 3D mapping including an assessment map quality based on mean map entropy, and (2) 6-DOF localization using a ground truth reference map.

研究动机与目标

• 评估十种不同 3D LiDAR 传感器在真实城市环境下 3D 制图与 6-DOF 车辆定位任务中的性能表现。
• 评估 LiDAR 特性（如光束数量、角分辨率、测距范围与点云密度）对基于 NDT 的制图与定位精度的影响。
• 利用统一的开源框架（Autoware）识别传感器特异性限制与环境依赖性对 NDT 收敛性与地图质量的影响。
• 分析动态交通、环境变化及传感器特异性噪声对地图熵与定位稳定性的影响。
• 通过量化硬件规格与算法性能之间的权衡，为自动驾驶系统中的传感器选型提供基准参考。

提出的方法

• 本研究采用 NDT 算法实现 3D 制图与定位，算法在 Autoware 开源平台中实现。
• 基于多轮城市道路采集的高保真度 MMS（移动测绘系统）数据集，生成了真实参考地图。
• 对 LiDAR 点云数据采用体素网格滤波器进行下采样，体素大小为 2 m，最大测距范围为 200 m，用于定位任务。
• 通过平均地图熵与平面方差指标评估地图质量，以衡量结构一致性与噪声水平。
• 通过 NDT 收敛所需的迭代次数衡量定位性能，各路线的初始位姿均手动设定。
• 分析了动态车辆与光照变化等环境因素作为地图伪影与定位波动的来源。

实验结果

研究问题

• RQ1 不同 3D LiDAR 配置（光束数量、角分辨率、测距范围与点云密度）如何影响基于 NDT 的 3D 地图质量（以平均地图熵衡量）？
• RQ2 传感器特异性光束模式与扫描策略对 NDT 定位收敛速度与稳定性有何影响？
• RQ3 动态环境条件（如移动车辆与光照变化）如何在地图中产生伪影，并影响定位性能？
• RQ4 传感器特异性精度规格与噪声特性在多大程度上影响基于 NDT 的定位结果？
• RQ5 统一的 NDT 框架能否在多种 LiDAR 硬件上实现可靠的车辆定位？其关键故障模式是什么？

主要发现

• VLP-16 在 NDT 定位中表现出最快的收敛速度，所需迭代次数少于其他传感器，表明其光束分布更有利于 NDT 匹配。
• 光束数量较多的 LiDAR（如 VLS-128AP 与 HDL-64S2）收敛所需迭代次数显著增加，表明密集且结构化的点云增加了 NDT 匹配的复杂性。
• 动态物体导致地图质量下降，即使经过滤波处理，有移动车辆的区域仍表现出更高的平均地图熵与平面方差。
• 所有 LiDAR 均一致观测到高程漂移现象，归因于姿态估计误差与光束配置影响，而非传感器特异性误差。
• 由于参考地图中未包含的环境变化（如移动障碍物与更高的车速，最高达 50 km/h），路线 B 的定位波动最为显著。
• 尽管经过一致过滤处理，不同传感器与路线间的 NDT 迭代次数仍存在显著差异，表明光束配置与环境上下文是影响 NDT 性能的关键因素。