[论文解读] Direct LiDAR Odometry: Fast Localization with Dense Point Clouds

Kenny Chen, Brett T. Lopez+2 more|arXiv (Cornell University)|Oct 1, 2021

Robotics and Sensor-Based Localization被引用 5

一句话总结

本文提出直接激光里程计（DLO），一种轻量级、实时的激光里程计系统，可在计算资源受限的平台上使用密集、预处理最少的点云实现高精度定位。通过引入自适应关键帧系统、基于凸优化的快速子映射方法，以及支持数据结构重用的定制NanoGICP求解器，DLO在精度和计算负载方面均优于当前最先进方法，在地下矿井和地铁等极端环境中表现出色，850米行程的端到端漂移小于10厘米。

ABSTRACT

Field robotics in perceptually-challenging environments require fast and accurate state estimation, but modern LiDAR sensors quickly overwhelm current odometry algorithms. To this end, this paper presents a lightweight frontend LiDAR odometry solution with consistent and accurate localization for computationally-limited robotic platforms. Our Direct LiDAR Odometry (DLO) method includes several key algorithmic innovations which prioritize computational efficiency and enables the use of dense, minimally-preprocessed point clouds to provide accurate pose estimates in real-time. This is achieved through a novel keyframing system which efficiently manages historical map information, in addition to a custom iterative closest point solver for fast point cloud registration with data structure recycling. Our method is more accurate with lower computational overhead than the current state-of-the-art and has been extensively evaluated in multiple perceptually-challenging environments on aerial and legged robots as part of NASA JPL Team CoSTAR's research and development efforts for the DARPA Subterranean Challenge.

研究动机与目标

• 解决在感知挑战性环境（如地下矿井和低光照区域）中，计算能力受限的机器人实现实时激光里程计的挑战。
• 通过最小化预处理和优化数据结构重用，克服处理密集激光扫描带来的计算瓶颈。
• 通过引入新型关键帧系统和高效的子映射构建方法，提升长期导航中的位姿估计精度并减少漂移。
• 通过设计以速度为先的处理流程并保持低CPU开销，实现在消费级处理器上的实时性能。
• 在固定翼无人机和腿式机器人等多种机器人平台上，在极端野外条件下展示系统的鲁棒性与可扩展性。

提出的方法

• 提出一种自适应关键帧系统，利用新型的“空间感”度量确定何时存储新关键帧，确保高效捕捉环境结构，同时避免内存过载。
• 采用基于关键帧的快速子映射技术，通过凸优化从邻近和边界关键帧生成宽松的局部子映射，用于全局位姿优化。
• 提出NanoGICP，一种专为速度和内存效率优化的迭代最近点（ICP）求解器，支持数据结构重用，消除冗余内存分配。
• 采用两阶段里程计流程：第一阶段通过RANSAC进行扫描到扫描（S2S）匹配，并可选地引入IMU旋转先验以获得初始运动估计；第二阶段通过NanoGICP进行扫描到地图（S2M）优化，实现全局位姿精炼。
• 在模块间重用内部数据结构，尤其在NanoGICP求解器中，以减少计算开销，加速低功耗CPU上的处理速度。
• 在S2S阶段将IMU数据作为旋转先验，以提升初始对齐的鲁棒性，而无需实现紧密耦合融合。

实验结果

研究问题

• RQ1 在资源受限平台上，仅使用密集、预处理最少的点云，直接激光里程计系统能否实现高精度与实时性能？
• RQ2 如何优化关键帧选择与子映射构建，以在长期导航中保持精度的同时最小化计算成本？
• RQ3 具有数据结构重用的定制ICP求解器在速度和内存效率方面，相较于标准GICP和FastGICP，能有多大优势？
• RQ4 在感知挑战性环境中，该方法与当前最先进激光里程计系统相比，在位姿误差和CPU负载方面表现如何？
• RQ5 在特征稀少、低光照或尘土飞扬的环境中，系统能否在长时间行驶中保持低漂移和高可靠性？

主要发现

• DLO在废弃地铁中完成850米自主行驶，端到端漂移小于10厘米，展现出卓越的长期稳定性。
• 在DARPA地下挑战赛的Beta赛道中，DLO在绝对位姿误差（APE）的最大值、均值和标准差方面均优于所有基线方法，且精度高出两倍以上，即使未启用运动畸变校正。
• 由于高效的数据结构重用和子映射优化，系统平均CPU负载低于一个核心，峰值负载也显著低于所有对比方法。
• NanoGICP平均收敛时间为42.53毫秒，优于FastGICP（72.88毫秒）和PCL的GICP（178.24毫秒），在点云配准任务中展现出更优的速度性能。
• 该方法成功实现了在黑暗、无特征的地下石灰岩洞穴中348米自主飞行的可靠定位，凸显其在极端环境下的鲁棒性。
• DLO表现出极少的帧丢失，维持了高处理吞吐量，实现在Intel NUC（1.9 GHz CPU）上对高分辨率密集点云的实时密集匹配。