[论文解读] LiDAR Iris for Loop-Closure Detection

Ying Wang, Zezhou Sun+4 more|arXiv (Cornell University)|Dec 9, 2019

Robotics and Sensor-Based Localization参考文献 23被引用 6

一句话总结

本文提出 LiDAR Iris，一种用于 LiDAR 点云的全局描述符，通过将鸟瞰图点云转换为极坐标系下的 LiDAR-Iris 图像，应用 LoG-Gabor 滤波与阈值化处理生成二值签名图像，并通过汉明距离计算相似性，实现快速且精确的回环检测。该方法利用傅里叶变换实现姿态不变性，在五个道路场景数据集上优于现有方法（如 Scan-Context、M2DP 和 ESF），在精度与召回率方面表现更优。

ABSTRACT

In this paper, a global descriptor for a LiDAR point cloud, called LiDAR Iris, is proposed for fast and accurate loop-closure detection. A binary signature image can be obtained for each point cloud after several LoG-Gabor filtering and thresholding operations on the LiDAR-Iris image representation. Given two point clouds, their similarities can be calculated as the Hamming distance of two corresponding binary signature images extracted from the two point clouds, respectively. Our LiDAR-Iris method can achieve a pose-invariant loop-closure detection at a descriptor level with the Fourier transform of the LiDAR-Iris representation if assuming a 3D (x,y,yaw) pose space, although our method can generally be applied to a 6D pose space by re-aligning point clouds with an additional IMU sensor. Experimental results on five road-scene sequences demonstrate its excellent performance in loop-closure detection.

研究动机与目标

• 为解决基于 LiDAR 的 SLAM 系统中因累积位姿误差导致的漂移问题，提升回环检测的鲁棒性与效率。
• 开发一种兼具区分性与姿态变化（尤其是旋转与平移）不变性的全局描述符，适用于三维 LiDAR 点云。
• 通过引入受几何启发的、手工设计的描述符，克服现有方法在姿态不变性差、依赖关键点检测或深度学习高数据需求等方面的局限。
• 在无需大量训练数据或复杂预处理的前提下，实现高性能的回环检测，确保实时适用性。

提出的方法

• 该方法将 LiDAR 点云转换为鸟瞰图表示，随后利用 Dauvman 的橡胶板模型将其重映射为极坐标，类比虹膜识别技术。
• 将周围点的高度信息编码为 LiDAR-Iris 图像中的像素强度，以保留结构与空间上下文信息。
• 对 LiDAR-Iris 图像应用 LoG-Gabor 滤波以提取纹理与边缘特征，随后进行阈值化处理，生成每个点云的二值签名图像。
• 通过计算对应二值签名图像之间的汉明距离，实现两组点云间的相似性度量，从而实现快速高效的匹配。
• 通过在 LiDAR-Iris 表示上应用傅里叶变换，实现姿态不变性，有效处理三维（x, y, 偏航）位姿空间中因偏航旋转引起的循环平移。
• 为实现完整的 6D 姿态不变性，该方法可扩展为结合 IMU 辅助的点云重对齐，但核心描述符在 3D 位姿空间中已具备良好性能。

实验结果

研究问题

• RQ1 能否从 LiDAR 点云中提取的全局描述符在不同姿态下实现高精度与高鲁棒性的回环检测？
• RQ2 所提出的 LiDAR-Iris 描述符与现有全局描述符（如 Scan-Context、M2DP 和 ESF）相比，在精度、召回率与计算效率方面表现如何？
• RQ3 从 LiDAR-Iris 生成的二值签名图像在多大程度上提升了区分能力，相较于基于直方图或投影的描述符？
• RQ4 LiDAR-Iris 表示的傅里叶变换是否能有效处理姿态变化，特别是偏航旋转，以实现姿态不变的匹配？

主要发现

• 在五组道路场景序列中，LiDAR Iris 在协议 A 和协议 B 下均表现最佳，精度与召回率始终处于高水平。
• 在 KITTI 00 序列中，该方法的平均平均精度（mAP）超越了 Scan-Context、M2DP 和 ESF，尤其在处理同向与反向回环事件方面表现优异。
• 该方法展现出卓越的区分能力，如亲和矩阵所示，正样本对与负样本对明显分离，相比 Scan-Context 显著减少了误报。
• LiDAR Iris 的计算复杂度低于 Scan-Context，每帧对的平均匹配时间为 0.0231 秒，低于 Scan-Context 的 0.0257 秒，表明其推理速度更快。
• 二值签名图像的生成与匹配过程极为高效，使该方法适用于实时 SLAM 应用。
• 即使在协议 B 下（负样本对数量极大），该方法仍保持强劲性能，证实其在大规模匹配场景中的鲁棒性。