[论文解读] Cartographer_glass: 2D Graph SLAM Framework using LiDAR for Glass Environments

Lasitha Weerakoon, Gurtajbir Singh Herr+3 more|arXiv (Cornell University)|Dec 16, 2022

Robotics and Sensor-Based Localization被引用 6

一句话总结

本文提出 Cartographer_glass，一种基于 LiDAR 环境的 2D 图像 SLAM 框架，通过引入轻量级玻璃检测与建图方法，增强了 Google Cartographer。该框架利用近法线入射时的强度峰值检测玻璃表面，并将其整合至占用网格中，相较于现有的 slam_glass（基于 GMapping）方法，在大规模、玻璃丰富的环境中实现了更精确的地图，尤其在回环闭合和减少漂移方面表现更优。

ABSTRACT

We study algorithms for detecting and including glass objects in an optimization-based Simultaneous Localization and Mapping (SLAM) algorithm in this work. When LiDAR data is the primary exteroceptive sensory input, glass objects are not correctly registered. This occurs as the incident light primarily passes through the glass objects or reflects away from the source, resulting in inaccurate range measurements for glass surfaces. Consequently, the localization and mapping performance is impacted, thereby rendering navigation in such environments unreliable. Optimization-based SLAM solutions, which are also referred to as Graph SLAM, are widely regarded as state of the art. In this paper, we utilize a simple and computationally inexpensive glass detection scheme for detecting glass objects and present the methodology to incorporate the identified objects into the occupancy grid maintained by such an algorithm (Google Cartographer). We develop both local (submap level) and global algorithms for achieving the objective mentioned above and compare the maps produced by our method with those produced by an existing algorithm that utilizes particle filter based SLAM.

研究动机与目标

• 解决在透明表面导致测距缺失或错误的玻璃密集型室内环境中，LiDAR 建图不准确的问题。
• 将玻璃检测集成至基于优化的 SLAM 框架（Google Cartographer）中，而非依赖基于粒子滤波的方法。
• 通过利用 Cartographer 的实时回环闭合与子图优化，提升大规模环境中地图的精度与鲁棒性。
• 在真实玻璃环境中，评估所提框架相较于现有玻璃感知 SLAM 解决方案（尤其是 slam_glass）的性能表现。
• 识别当前玻璃检测与建图中的局限性，如因非理想入射角度或全局建图传播不理想导致的漏检。

提出的方法

• 采用简单的基于强度的方案检测玻璃表面，通过识别在近法线入射角下激光束直接反射回传感器时产生的强烈强度峰值。
• 通过修改子图构建与优化过程，将检测到的玻璃点整合至 Google Cartographer 的占用网格中，以保留玻璃的几何结构。
• 实现局部（子图级别）与全局（整张地图）两种玻璃建图策略，以在计算效率与建图精度之间取得平衡。
• 应用 Cartographer 的实时回环闭合与图优化，以精炼全局地图，减少漂移，并提升长走廊与复杂布局中的对齐精度。
• 采用两阶段评估：首先，对比相同数据下 Cartographer_glass_lite 与 slam_glass 生成的地图；其次，通过与真实建筑中手动标注的平面图对比验证结果。
• 使用定量指标（如检测到的玻璃长度与准确率）评估性能，并将所提方法与基线方法 slam_glass 框架进行比较。

实验结果

研究问题

• RQ1 能否有效将轻量级基于强度的玻璃检测方法集成至 Google Cartographer 等基于优化的 SLAM 框架中？
• RQ2 与使用相同检测方法但基于 GMapping-SLAM 的 slam_glass 框架相比，Cartographer_glass 的玻璃建图精度如何？
• RQ3 相较于基于粒子滤波的 SLAM，Cartographer 的实时回环闭合在玻璃密集环境中对提升地图一致性与减少漂移的贡献有多大？
• RQ4 所提玻璃检测与建图系统的主要失效模式是什么，特别是在非垂直入射或玻璃对齐不完美时？
• RQ5 Cartographer_glass 中的全局建图策略如何处理检测到的玻璃点在子图间的传播与持久性？

主要发现

• Cartographer_glass_lite 框架在大规模环境（如长走廊与多次穿越区域）中生成的地图精度高于 slam_glass 算法。
• 在 Building 1 中，所提方法检测到 118.2 米玻璃，准确率达 84.0%，而 slam_glass 仅检测到 85.9 米，准确率仅为 44.5%，表明本方法在检测与建图保真度方面表现更优。
• 在 Building 2 中，所提方法检测到 49.1 米玻璃，准确率达 97.5%，显著优于 slam_glass 检测到的 107.2 米但准确率仅 44.5% 的结果，凸显了基于优化 SLAM 的优势。
• slam_glass 地图在左侧区域出现明显错位，这是由于 GMapping 缺乏实时回环闭合所致，而此局限在 Cartographer_glass 中已消除。
• 尽管有所改进，部分玻璃板仍被漏检，原因可能包括非法线入射角、玻璃非垂直排列，或在子图优化过程中检测点信号衰减。
• 本研究证实，即使采用相同的检测逻辑，基于优化的 SLAM（Cartographer）在玻璃环境建图中的精度与鲁棒性显著优于基于粒子滤波的 SLAM（GMapping）。