[论文解读] LiDAR point clouds correction acquired from a moving car based on CAN-bus data

Pierre Merriaux, Yohan Dupuis+3 more|arXiv (Cornell University)|Jun 19, 2017

Robotics and Sensor-Based Localization参考文献 7被引用 16

一句话总结

本文提出一种仅使用CAN-bus数据进行运动估计，以校正移动车辆中LiDAR点云畸变的方法，实现了高精度的3D地图重建。通过将车辆运动建模为2.5D平移与旋转，该方法减少了扫描伪影（如重复物体），定量结果表明八叉树表示中占据空间减少了1.5%，且地图紧凑性得到提升。

ABSTRACT

In this paper, we investigate the impact of different kind of car trajectories on LiDAR scans. In fact, LiDAR scanning speeds are considerably slower than car speeds introducing distortions. We propose a method to overcome this issue as well as new metrics based on CAN bus data. Our results suggest that the vehicle trajectory should be taken into account when building 3D large-scale maps from a LiDAR mounted on a moving vehicle.

研究动机与目标

• 研究车辆在LiDAR扫描过程中运动如何导致3D点云的几何畸变。
• 开发一种仅使用CAN-bus数据进行运动估计的扫描校正方法，避免依赖IMU或额外传感器。
• 评估扫描畸变对大规模3D地图质量和SLAM性能的影响。
• 量化校正后地图紧凑性与点对点匹配精度的提升。

提出的方法

• 利用CAN-bus数据（包括速度、加速度和偏航率）估计LiDAR扫描期间的车辆运动。
• 将LiDAR轨迹建模为扫描周期 $T_s$ 内的2.5D运动（平移与旋转）。
• 插值每个激光束发射时刻的LiDAR位姿，以校正光束位置。
• 基于插值位姿对扫描中每个点应用几何校正，以最小化车辆运动引起的畸变。
• 使用0.1m单元的八叉树数据结构测量占据空间，并评估地图紧凑性。
• 通过ICP匹配距离与真实扫描中的八叉树占据计数，评估校正性能。

实验结果

研究问题

• RQ1 在真实驾驶场景中，线性运动与旋转运动如何影响LiDAR扫描畸变？
• RQ2 CAN-bus数据本身在多大程度上能提供足够的运动信息以校正LiDAR扫描畸变？
• RQ3 扫描校正如何影响从原始LiDAR扫描构建的大规模3D地图的紧凑性与质量？
• RQ4 校正后ICP匹配性能与地图保真度的定量提升程度如何？

主要发现

• 以10 m/s（36 km/h）的线性运动，扫描起始与结束点间产生1.38m的位移，导致显著的几何畸变。
• 以25°/s的旋转运动，在50m距离处产生2.19m的间隙，导致围栏等特征在点云中重复出现。
• 对于线性运动，占据的0.1m×0.1m八叉树单元数从原始的1,918,170减少至校正后的1,894,744，表明地图紧凑性得到改善。
• 对于旋转运动，占据的单元数从原始的654,488减少至校正后的639,094，证实校正后冗余减少。
• 尽管ICP匹配得分差异微小，原始扫描仍显示明显重复与模糊特征（如围栏、树木），而校正扫描则呈现清晰、对齐的结构。
• 从校正扫描重建的3D地图表现出更优的视觉质量，即使在408m×275m×50m的区域内，直线依然笔直，立柱与树木也正确对齐。