[论文解读] LiLO: Lightweight and low-bias LiDAR Odometry method based on spherical range image filtering

Edison Velasco-Sánchez, Miguel Ángel Muñoz-Bañón+3 more|arXiv (Cornell University)|Nov 13, 2023

Robotics and Sensor-Based Localization被引用 5

一句话总结

LiLO 提出了一种轻量级、低偏差的激光里程计方法，将原始点云转换为球面距离图像（SRI），并应用基于 Sobel 和傅里叶的滤波技术提取并减少地面、边缘和表面特征。此预处理显著降低了计算负载和特征数量，使得无需全局地图或外部传感器即可通过局部地图匹配实现快速、精确的位姿估计，进而在 KITTI 数据集上实现 0.86% 的平移误差和 0.0036°/m 的旋转误差，在真实世界 3.5km 回环中平均运行时间为 27ms，回环闭合误差为 0.8m。

ABSTRACT

In unstructured outdoor environments, robotics requires accurate and efficient odometry with low computational time. Existing low-bias LiDAR odometry methods are often computationally expensive. To address this problem, we present a lightweight LiDAR odometry method that converts unorganized point cloud data into a spherical range image (SRI) and filters out surface, edge, and ground features in the image plane. This substantially reduces computation time and the required features for odometry estimation in LOAM-based algorithms. Our odometry estimation method does not rely on global maps or loop closure algorithms, which further reduces computational costs. Experimental results generate a translation and rotation error of 0.86\% and 0.0036°/m on the KITTI dataset with an average runtime of 78ms. In addition, we tested the method with our data, obtaining an average closed-loop error of 0.8m and a runtime of 27ms over eight loops covering 3.5Km.

研究动机与目标

• 解决现有低偏差激光里程计方法在非结构化户外环境中计算成本过高的问题。
• 在不牺牲里程计精度或偏差的前提下，降低特征密度和处理时间。
• 消除对全局地图、回环闭合或外部传感器（如 IMU 和 GPS）的依赖，以最小化计算开销。
• 通过降低运行时间和特征复杂度，实现对路径规划和精确定位等实时机器人系统（如移动机器人）的集成。
• 在复杂户外场景（如垃圾收集平台）中实现高精度、低漂移的里程计，适用于移动机器人。

提出的方法

• 将原始 3D 激光雷达点云转换为球面距离图像（SRI），以支持高效的二维图像处理。
• 对 64 通道激光雷达应用基于 Sobel 算子的梯度滤波，对 16 通道激光雷达应用基于傅里叶变换的掩码，以检测并分离地面、边缘和表面特征。
• 从 SRI 重建滤波后的点云以进行特征提取，通过体素滤波显著降低整体点云密度。
• 采用帧到局部地图匹配策略并结合 KD-tree 索引，构建轻量级、动态更新的局部地图，无需构建全局地图。
• 使用受 LOAM 启发的算法，通过基于 ICP 的优化方法匹配连续帧之间的边缘和表面特征，实现位姿估计。
• 避免依赖外部传感器（如 IMU、GPS）或回环闭合机制，以降低计算负载和系统复杂度。

Figure 1: Pipeline of our LiLO method for odometry estimation, which filters the ground $\mathbf{I}_{\mathcal{G}}$ , edges $\mathbf{I}_{\mathcal{E}}$ and surfaces $\mathbf{I}_{\mathcal{S}}$ in a SRI obtained from a point cloud. Point cloud reconstruction: ground $\mathbf{P}_{\mathcal{G}}$ (green), e

实验结果

研究问题

• RQ1 基于 SRI 的特征滤波是否能显著降低激光里程计中的计算成本，同时保持低轨迹偏差？
• RQ2 在真实户外环境中，移除对全局地图和回环闭合的依赖如何影响里程计的精度和运行时间？
• RQ3 SRI 基于的滤波在多大程度上提升了特征提取效率并减少了点云密度，而不会降低位姿估计性能？
• RQ4 与最先进的基于 LOAM 的方法（如 F-LOAM）相比，LiLO 在真实数据上的精度、运行时间和回环闭合误差方面表现如何？
• RQ5 轻量级、传感器无关的里程计系统是否能有效部署于实时机器人应用（如路径规划和地理定位）中？

主要发现

• LiLO 在 KITTI 数据集上实现了 0.86% 的平移误差和 0.0036°/m 的旋转误差，表现出高精度与低偏差。
• 该方法在 KITTI 数据集上每帧平均运行时间为 78ms，相比标准 LOAM 变体显著降低了计算负载。
• 在真实世界 16 通道激光雷达数据（覆盖 3.5km，共八次回环）中，LiLO 实现了 0.8m 的回环闭合误差，平均运行时间为 27ms。
• 与 F-LOAM 相比，LiLO 将回环闭合误差降低了四倍，同时保持相近的执行时间，表明其具有更高的精度和更强的鲁棒性。
• 尽管使用更少的特征且无全局地图，LiLO 在回环闭合精度上仍优于 F-LOAM，证实了其低偏差特性。
• 结合 Sobel 和傅里叶基掩码的 SRI 滤波方法实现了高效的特征提取与点云压缩，直接促成了系统轻量化与高速性能。

Figure 2: Transformation of point clouds in $\mathbb{R}^{3}$ into a SRI $\mathbf{I}_{SRI}$ in $\mathbb{R}^{2}$ .