[论文解读] Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration

Jianhao Jiao, Haoyang Ye+2 more|arXiv (Cornell University)|Oct 27, 2020

Robotics and Sensor-Based Localization参考文献 81被引用 12

一句话总结

本文提出 M-LOAM，一种鲁棒、在线的多LiDAR SLAM系统，可联合实现实时里程计、建图和外部参数标定，无需人工初始化。它采用基于运动的初始化、在线收敛检测和不确定性感知特征管理的滑动窗口优化器，在复杂环境中实现厘米级精度。

ABSTRACT

Combining multiple LiDARs enables a robot to maximize its perceptual awareness of environments and obtain sufficient measurements, which is promising for simultaneous localization and mapping (SLAM). This paper proposes a system to achieve robust and simultaneous extrinsic calibration, odometry, and mapping for multiple LiDARs. Our approach starts with measurement preprocessing to extract edge and planar features from raw measurements. After a motion and extrinsic initialization procedure, a sliding window-based multi-LiDAR odometry runs onboard to estimate poses with online calibration refinement and convergence identification. We further develop a mapping algorithm to construct a global map and optimize poses with sufficient features together with a method to model and reduce data uncertainty. We validate our approach's performance with extensive experiments on ten sequences (4.60km total length) for the calibration and SLAM and compare them against the state-of-the-art. We demonstrate that the proposed work is a complete, robust, and extensible system for various multi-LiDAR setups. The source code, datasets, and demonstrations are available at https://ram-lab.com/file/site/m-loam.

研究动机与目标

• 解决在缺乏先验外部参数标定信息、尤其在先验知识有限的真实环境中部署多LiDAR系统所面临的挑战。
• 实现在线、无监督的外部参数标定，可在运行过程中可靠收敛，避免人工重新标定。
• 通过建模并缓解地图点与特征的不确定性，减少SLAM中的位姿漂移。
• 开发一个完整且可扩展的系统，支持多种多LiDAR配置，同时最大限度减少人工干预。

提出的方法

• 采用基于运动的初始化方法，无需标定物体或先验机械知识，即可估计LiDAR之间的初始外部参数变换。
• 采用基于滑动窗口的优化框架，融合多LiDAR测量数据，实现高频、高精度的位姿估计。
• 提出一种通用的在线标定收敛准则，当标定稳定时自动触发终止。
• 使用概率表示建模地图点的不确定性，并通过鲁棒估计技术剔除异常值。
• 在优化中应用基于Schur补的边际化方法，以保持计算效率和随时间推移的状态一致性。
• 利用Ceres求解器并结合基于雅可比的信息矩阵更新，实现高效、增量式的优化，同时保留被边际化的状态。

实验结果

研究问题

• RQ1 多LiDAR SLAM系统是否能在无需人工干预或先验传感器配置知识的情况下，实现准确且鲁棒的外部参数标定？
• RQ2 在实时运行过程中，如何实现完全无监督的在线标定可靠检测与自动终止？
• RQ3 在缺乏结构特征的环境中，对数据不确定性进行建模在多大程度上能提升位姿估计精度与地图一致性？
• RQ4 与单LiDAR或简单多传感器融合相比，基于滑动窗口的多LiDAR融合方法在减少位姿漂移方面是否具有显著优势？
• RQ5 该系统在不同环境和具有不同传感器配置的多LiDAR配置下表现如何？

主要发现

• 所提系统在总计4.60公里、涵盖十组多样化序列的测试中，实现了厘米级的标定精度，证明了其在真实环境下的鲁棒性。
• 在线收敛检测成功在无人工监督下识别出稳定的标定状态，确保了在动态环境中的可靠运行。
• 不确定性感知的建图算法有效降低了异常值的影响，显著提升了地图一致性，尤其在稀疏或特征匮乏区域表现更优。
• 在标定精度和位姿估计稳定性方面，该系统优于现有最先进方法，尤其在狭窄走廊和户外路线等复杂场景中表现突出。
• 大量实验验证了系统在多种多LiDAR配置下的可扩展性与鲁棒性，证实了其实际部署可行性。