[论文解读] 6-DOF Feature based LIDAR SLAM using ORB Features from Rasterized Images of 3D LIDAR Point Cloud

Waqas Ali, Peilin Liu+2 more|arXiv (Cornell University)|Mar 19, 2021

Robotics and Sensor-Based Localization参考文献 28被引用 10

一句话总结

该论文提出了一种计算高效的6-DOF LIDAR SLAM系统，通过在从3D LIDAR点云生成的栅格化2D图像上应用ORB特征检测，显著减少了特征提取时间。通过使用栅格化图像而非直接处理3D点云，该方法在保持高精度位姿估计和回环检测的同时，实现了高计算效率，在速度和CPU使用率方面优于LOAM和Cartographer等最先进方法。

ABSTRACT

An accurate and computationally efficient SLAM algorithm is vital for modern autonomous vehicles. To make a lightweight the algorithm, most SLAM systems rely on feature detection from images for vision SLAM or point cloud for laser-based methods. Feature detection through a 3D point cloud becomes a computationally challenging task. In this paper, we propose a feature detection method by projecting a 3D point cloud to form an image and apply the vision-based feature detection technique. The proposed method gives repeatable and stable features in a variety of environments. Based on such features, we build a 6-DOF SLAM system consisting of tracking, mapping, and loop closure threads. For loop detection, we employ a 2-step approach i.e. nearest key-frames detection and loop candidate verification by matching features extracted from rasterized LIDAR images. Furthermore, we utilize a key-frame structure to achieve a lightweight SLAM system. The proposed system is evaluated with implementation on the KITTI dataset and the University of Michigan Ford Campus dataset. Through experimental results, we show that the algorithm presented in this paper can substantially reduce the computational cost of feature detection from the point cloud and the whole SLAM system while giving accurate results.

研究动机与目标

• 解决SLAM系统中直接从3D LIDAR点云进行特征检测带来的高计算成本问题。
• 开发一种通用、可重复且稳定的特征检测方法，适用于多种环境。
• 在保持高精度位姿估计和制图能力的同时，减轻3D LIDAR SLAM的计算负担。
• 设计一种基于最近关键帧搜索和栅格化图像上特征匹配的高效回环检测机制。
• 通过基于关键帧的优化和特征复用，实现实时性能并保持低CPU使用率。

提出的方法

• 将3D LIDAR点云栅格化为2D强度图像，以实现高效的2D特征提取。
• 在栅格化图像上应用ORB特征检测与描述，而非处理原始3D点云。
• 利用提取的ORB特征进行视觉里程计，实现实时6-DOF车辆位姿估计。
• 采用基于关键帧的结构来管理局部地图，并实现高效的局部捆绑调整。
• 通过两步法检测回环：首先识别最近的关键帧，然后通过栅格化图像上的特征匹配进行验证。
• 利用包含回环约束的位姿图优化方法对完整轨迹进行优化，复用相同的ORB特征以保证一致性。

实验结果

研究问题

• RQ1 从3D LIDAR点云的栅格化2D图像中提取的ORB特征是否能在多种环境中提供稳定且可重复的特征？
• RQ2 与直接处理3D点云相比，使用栅格化图像进行特征检测是否能显著降低LIDAR SLAM中的计算成本？
• RQ3 基于最近关键帧搜索和特征匹配的两步法回环检测策略，是否能以低计算开销实现高精度？
• RQ4 与LOAM和Cartographer等最先进LIDAR SLAM方法相比，所提系统在精度和效率方面表现如何？
• RQ5 关键帧结构和局部捆绑调整在多大程度上提升了计算效率，同时不牺牲制图精度？

主要发现

• 在KITTI数据集上，该方法将平均跟踪时间降低至41.7 ms，映射时间降低至61.5 ms/帧，计算效率显著优于LOAM。
• SLAM完整流水线的CPU使用率平均降低至5.16–13.41%，而Cartographer为18.59–33.6%，显示出显著的资源节省。
• 该系统在KITTI和密歇根大学Ford Campus数据集上均达到了最先进精度，同时计算成本极低。
• 通过处理2D栅格化图像而非扫描3D点云，特征提取时间大幅减少，从而实现了实时性能。
• 两步法回环检测有效降低了误报率，同时保持了高召回率，且在跟踪、映射和回环检测线程中实现了特征复用。
• 局部捆绑调整和位姿图优化显著提升了轨迹精度，由于关键帧结构的存在，对计算负载的影响极小。