[论文解读] Loam_livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV

Jiarong Lin, Fu Zhang|arXiv (Cornell University)|Sep 15, 2019

Robotics and Sensor-Based Localization参考文献 16被引用 38

一句话总结

Loam_livox 实时提供小视场固态 LiDAR 的实时 LiDAR 里程计和建图，具备鲁棒的特征提取、运动补偿和并行化优化，开源可用。

ABSTRACT

LiDAR odometry and mapping (LOAM) has been playing an important role in autonomous vehicles, due to its ability to simultaneously localize the robot's pose and build high-precision, high-resolution maps of the surrounding environment. This enables autonomous navigation and safe path planning of autonomous vehicles. In this paper, we present a robust, real-time LOAM algorithm for LiDARs with small FoV and irregular samplings. By taking effort on both front-end and back-end, we address several fundamental challenges arising from such LiDARs, and achieve better performance in both precision and efficiency compared to existing baselines. To share our findings and to make contributions to the community, we open source our codes on Github

研究动机与目标

• 使得针对小视野固态 LiDAR 的鲁棒 SLAM 具有动机与可行性。
• 开发一个完整的 LOAM 流水线（前端特征提取和后端优化），以适配小视场 LiDAR。
• 通过 LiDAR 特定的前端处理、运动补偿和并行化后端优化来提高精度和效率。
• 提供开源实现以鼓励社区使用与进一步研究。

提出的方法

• 通过考虑 LiDAR 的物理属性（深度、偏转角、强度、入射角）提取优质点，并在视场边缘和遮挡处近距离进行有选择的裁剪。
• 利用局部平滑度将特征分为边缘和平面两类，并以反射率作为第四个特征，以减轻小视场条件下的退化。
• 采用迭代位姿优化，将当前帧特征与局部地图对齐，使用边对边与面对面的残差，并结合 KD-tree 最近邻搜索。
• 将当前帧点投射到全局地图，使用端点位姿或分段位姿调整以抵抗运动畸变。
• 引入两种运动补偿方案：分段处理（三个子帧并行匹配）和线性插值，已证明分段处理具有优势。
• 在优化过程中通过重新评估残差并去除最大残差的方式实现离群点剔除，以滤除动态对象。

实验结果

研究问题

• RQ1 对于具有小视场和不规则、非重复扫描模式的 LiDAR，Loam 风格的里程计与建图是否能够有效实现？
• RQ2 在有限特征和移动对象的情况下，前端点选择和反射率增强如何提升鲁棒性？
• RQ3 在连续运动的 LiDAR 中，分段运动补偿是否在精度与速度上优于线性插值？
• RQ4 在对小视场 LiDAR 进行并行化并定制后，LoAM 流水线在实时性能和精度方面有哪些提升？

主要发现

Platform (config)	Ours (ms)	Baseline (ms)
Desktop PC parallel (i7-9700K, 4.0–4.8 GHz)	35.68	109.00
Onboard PC parallel (DJI Manifold2, i7-8550U)	54.60	125.13

• 该方法在约 20 Hz 的实时里程计与建图方面表现良好。
• 分段处理在运动补偿的精度与效率方面优于线性插值。
• 边缘到边缘和面到面的残差使姿态优化在有动态对象时更具鲁棒性。
• 在 GPS 比较下，两组数据集的定位精度分别为 0.41% 与 0.65%，这两组数据的欧拉角误差在 mocap 比较中约为 1.1 度。
• 在桌面端和车载平台上，该方法的运行速度比基线 LOAM 实现快 2–3 倍，提出的方法在桌面端的帧时延为 35.68 ms（Desktop）和 54.60 ms（Onboard），而基线分别为 109.00 ms 与 125.13 ms。
• 该系统在小视场和不规则扫描模式下仍维持高质量的建图（stairs、rails 和大尺度结构）。