[论文解读] BALM: Bundle Adjustment for Lidar Mapping

Zheng Liu, Fu Zhang|arXiv (Cornell University)|Oct 16, 2020

Robotics and Sensor-Based Localization参考文献 41被引用 4

一句话总结

本文提出BALM，一种用于LiDAR SLAM的新型束调整方法，通过最小化特征点到其匹配边或平面的距离来构建优化问题，解析求解特征参数以降低优化维度。该方法通过利用闭式导数和自适应体素化，实现了在LOAM系中的实时、高精度地图优化，显著降低了在小视场角LiDAR环境下仍具挑战性的系统漂移。

ABSTRACT

A local Bundle Adjustment (BA) on a sliding window of keyframes has been widely used in visual SLAM and proved to be very effective in lowering the drift. But in lidar SLAM, BA method is hardly used because the sparse feature points (e.g., edge and plane) make the exact point matching impossible. In this paper, we formulate the lidar BA as minimizing the distance from a feature point to its matched edge or plane. Unlike the visual SLAM (and prior plane adjustment method in lidar SLAM) where the feature has to be co-determined along with the pose, we show that the feature can be analytically solved and removed from the BA, the resultant BA is only dependent on the scan poses. This greatly reduces the optimization scale and allows large-scale dense plane and edge features to be used. To speedup the optimization, we derive the analytical derivatives of the cost function, up to second order, in closed form. Moreover, we propose a novel adaptive voxelization method to search feature correspondence efficiently. The proposed formulations are incorporated into a LOAM back-end for map refinement. Results show that, although as a back-end, the local BA can be solved very efficiently, even in real-time at 10Hz when optimizing 20 scans of point-cloud. The local BA also considerably lowers the LOAM drift. Our implementation of the BA optimization and LOAM are open-sourced to benefit the community.

研究动机与目标

• 为解决由于点云稀疏且非重复性导致的LiDAR SLAM中有效束调整的缺失问题，以及精确点匹配不可行的问题。
• 提出一种最小化特征点到其匹配边或平面距离的LiDAR束调整方法，避免需要共同优化特征位置。
• 通过解析求解边和面的参数来降低优化复杂度，使优化中仅保留扫描位姿作为变量。
• 通过推导闭式梯度和海森矩阵，实现在大规模密集特征地图上实时性能。
• 提升LOAM系中地图的一致性并减少漂移，尤其在特征稀少或视场角较小的环境中。

提出的方法

• 将LiDAR束调整表述为最小化每个特征点到其匹配边或平面的垂直距离，而非强制要求精确点对应。
• 以闭式解析求解边和面的参数，将其与优化解耦，使变量空间仅剩扫描位姿。
• 推导成本函数相对于扫描位姿的一阶和二阶导数（梯度与海森矩阵），以实现高效的高斯-牛顿优化。
• 提出一种自适应体素化方法，通过根据局部点云密度动态调整体素大小，加速特征对应搜索。
• 将所提束调整作为后端集成至LOAM框架中，利用20帧扫描的滑动窗口对地图进行优化。
• 采用位姿图优化策略，仅对最近扫描的位姿进行优化，以保持计算效率。

实验结果

研究问题

• RQ1 尽管点云稀疏且非重复，束调整是否仍可有效应用于LiDAR SLAM？
• RQ2 在LiDAR束调整中，边和面的特征参数是否可被解析求解，从而降低优化维度？
• RQ3 成本函数的闭式导数是否能实现LiDAR束调整中的快速、实时优化？
• RQ4 所提出的自适应体素化方法在不牺牲精度的前提下，是否能有效加速特征对应搜索？
• RQ5 将束调整作为后端集成是否能显著降低LOAM系中的漂移，尤其在小视场角或无特征环境等挑战条件下？

主要发现

• 所提出的BALM方法在优化20帧LiDAR扫描的滑动窗口时，实现了10Hz的实时性能，证明了其在线部署的可行性。
• 通过解析求解边和面的参数，优化规模被大幅降低，从而支持使用密集的边和面特征。
• 该方法在LOAM系中显著减少了漂移，已在旋转式LiDAR和小视场角LiDAR（如Livox Horizon）上得到验证。
• 自适应体素化方法提升了对应搜索效率，对整体实时性能有显著贡献。
• 成本函数的闭式导数使高斯-牛顿优化实现快速且稳定的收敛，增强了鲁棒性。
• BALM与LOAM的开源实现为社区提供了宝贵的资源，可用于扩展和改进LiDAR SLAM系统。