[论文解读] Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments

Li Sun, Daniel Adolfsson+4 more|arXiv (Cornell University)|Mar 4, 2020

Robotics and Sensor-Based Localization参考文献 30被引用 4

一句话总结

本文提出一种基于混合激光雷达的定位方法，通过使用深度高斯过程模型为六自由度（6-DOF）姿态估计提供初始种子，从而加速蒙特卡洛定位（MCL）。通过将基于学习的推理与基于重要性采样的几何验证相结合，该系统在大规模环境中实现了平均1.94秒的定位时间（精度0.75米），与基线相比将MCL运行时间减少了99.5%。

ABSTRACT

This paper proposes a novel approach for global localisation of mobile robots in large-scale environments. Our method leverages learning-based localisation and filtering-based localisation, to localise the robot efficiently and precisely through seeding Monte Carlo Localisation (MCL) with a deep-learned distribution. In particular, a fast localisation system rapidly estimates the 6-DOF pose through a deep-probabilistic model (Gaussian Process Regression with a deep kernel), then a precise recursive estimator refines the estimated robot pose according to the geometric alignment. More importantly, the Gaussian method (i.e. deep probabilistic localisation) and non-Gaussian method (i.e. MCL) can be integrated naturally via importance sampling. Consequently, the two systems can be integrated seamlessly and mutually benefit from each other. To verify the proposed framework, we provide a case study in large-scale localisation with a 3D lidar sensor. Our experiments on the Michigan NCLT long-term dataset show that the proposed method is able to localise the robot in 1.94 s on average (median of 0.8 s) with precision 0.75~m in a large-scale environment of approximately 0.5 km2.

研究动机与目标

• 为解决在大型、无GPS环境（如室内工业场所或地下矿井）中实现高效且精确的全局定位挑战。
• 克服在大型地图中使用均匀粒子分布初始化时蒙特卡洛定位（MCL）收敛缓慢的问题。
• 将基于深度学习的姿态估计速度与基于滤波的方法（如MCL）的几何精度相结合。
• 仅使用3D激光雷达数据，在大规模环境（例如0.5 km²）中实现实时、精确的定位。
• 通过重要性采样，开发高斯（GP）与非高斯（MCL）概率模型之间的无缝融合机制。

提出的方法

• 训练一种基于深度核的高斯过程回归的深度概率模型，用于从叠加的激光雷达扫描中估计6-DOF姿态分布。
• 利用估计的高斯过程分布作为MCL粒子的初始种子，替代均匀或启发式初始化。
• 采用重要性采样将GP的预测分布与MCL集成，实现基于学习与基于滤波系统之间的相互增益。
• 使用稀疏归一化密集变换（NDT）模型，以高效计算MCL中的测量似然。
• 通过MCL递归地重采样和更新粒子，采用动态粒子数量（500–1000）和自适应重采样策略，以保持效率。
• 系统使用分辨率为0.2米的体素网格，以限制粒子数量并提高计算可行性。

实验结果

研究问题

• RQ1 深度高斯过程模型能否在大规模激光雷达环境中为MCL提供可靠且信息丰富的先验？
• RQ2 如何有效集成高斯过程（GP）与非高斯粒子滤波器（MCL）之间的非共轭组合？
• RQ3 与均匀或固定初始化相比，使用学习得到的GP分布作为MCL种子是否能显著减少定位时间？
• RQ4 GP提供的不确定性估计在长期、动态环境中对抑制误报的鲁棒性提升程度如何？
• RQ5 该混合系统是否能在大规模地图中实现厘米级精度，同时保持亚秒级的平均定位时间？

主要发现

• 在密歇根NCLT数据集上，该混合方法的平均定位时间为1.94秒（中位数0.8秒），相比MCL基线减少了99.5%。
• 系统在约0.5 km²的大规模环境中实现了0.75米的定位精度，满足自主导航在真实世界中的需求。
• 该混合方法的成功率在年初（如1月至4月）最高，11月和12月下降，原因在于新增的轨迹和地标增多。
• 使用基于GP的不确定性进行粒子种子初始化，相比MCL基线（成功率54%，平均每次尝试154.3秒）将定位时间减少了99.5%。
• 基于GP协方差的种子方法优于固定协方差种子，表明考虑不确定性的粒子采样能显著提升收敛速度与可靠性。
• 通过重要性采样实现的深度学习与滤波方法的融合，使快速推理与几何验证能够无缝、互利地协同工作。