一文详解激光SLAM框架LeGO-LOAM

「爱情、让人受尽委屈。」 2022-09-17 03:28 188阅读 0赞

作者介绍：Zach，移动机器人从业者，热爱移动机器人行业，立志于科技助力美好生活。

# **LOAM存在的问题** #

LeGO-LOAM全称为：Lightweight and Groud-Optimized Lidar Odometry and Mapping on Variable Terrain，从标题可以看出 LeGO-LOAM 为应对**可变地面**进行了地面优化，同时保证了轻量级。

LeGO-LOAM是专门为地面车辆设计的SLAM算法，要求在安装的时候Lidar能以水平方式安装在车辆上；如果是倾斜安装的话，也要进行位姿转换到车辆上。而LOAM对Lidar的安装方式没有要求，即使手持都没有关系。

作者的实验平台是一个移动小车（UGA），挂载了一个Velodyne VLP-16 线激光雷达，还配有一个低精度的 IMU；选用的硬件平台是 Nvidia Jetson TX2（ARM Cortex-A57 CPU）；整体负载是 20Kg；移动速度为：2.0m/s；测试场景为：**地面不平（比较颠簸）的草地**。

![ed08b3382936a166e3a45f259d36cf42.png][]

图1 硬件平台

LOAM框架在这样的硬件环境和使用场景中会存在一些问题：

1.  由于搭载的是嵌入式系统，计算能力将会受限，LOAM的计算需要将难以满足，致使无法做到实时；
2.  如果使用LOAM框架，系统计算每个点曲率的处理频率（数据量很大，VLP-16一条线是1800个点）将难以跟上传感器的更新频率；
3.  UGA行驶的路面是非平滑连续的（运动是颠簸的），采集的数据将会失真（运动畸变，匀速运动模型无法适用于颠簸场景），使用LOAM很难在两帧之间找到可靠的特征对应。
4.  在噪杂的环境中操作UGV也会给LOAM带来一些挑战，例如：浮动的草丛和摆动的树叶的点云将被误提取为角点或面点，这些特征是不可靠的，难以在连续帧之间获取准确的匹配，从而会造成较大的漂移。

# **LeGO-LOAM的设计思路** #

![0e262568092942183a89026771b8f90c.png][]

对地面点云的配准主要使用的是面点特征；在分割后的点云配准主要使用的是边缘点和面点特征。从中可以看出使用边缘点的数量是要远小于平面点的数量，这也是能实现加速的主要原因。

![aab21036a3aed795b21247ab3b3f3ab0.png][]

LeGO\_LOAM的软件系统输入 3D Lidar 的点云，输出 6 DOF 的位姿估计。整个软件系统分为 5 个部分：

*  **第一部分：Segmentation：** 这一部分的主要操作是分离出地面点云；同时对剩下的点云进行聚类，滤除数量较少的点云簇。
 *  **第二部分：Feature Extraction：** 对分割后的点云（已经分离出地面点云）进行边缘点和面点特征提取，这一步和LOAM里面的操作一样。
 *  **第三部分：Lidar 里程计：** 在连续帧之间进行（边缘点和面点）特征匹配找到连续帧之间的位姿变换矩阵。
 *  **第四部分：Lidar Mapping：** 对feature进一步处理，然后在全局的 point cloud map 中进行配准。
 *  **第五部分：Transform Integration：** Transform Integration 融合了来自 Lidar Odometry 和 Lidar Mapping 的 pose estimation 进行输出最终的 pose estimate。

# **LeGO-LOAM的算法细节** #

![77847bf24fbcff7ec066f44406df9cae.png][]

图3 噪声环境中一条scan的特征提取过程

![3b6909894147c6e0a7fdbe9d359bcfc8.png][]

## A. Segmentation ##

![d25bf12e0df8c73d597eeeac72135c34.png][]

提取地面点之后，再对剩下的**距离图像**进行聚类（分簇），过滤掉点云数量小于 30 的点云簇，对保留下来的点云簇分配不同的标签。地面点云属于特殊的一类点云簇（一开始我们就提取出来了）。对点云进行聚类再处理，可以提高运行效率和提取更稳定的特征。例如，小车运行于嘈杂的环境，树叶将会产生不可靠的特征，相同的叶子不太可能在连续两帧扫描中看到。图3(a)是原始点云，包含了很多植被点云；经过处理之后变成了图3(b)，只剩下大物体点云，例如：树干。地面点云将被保留以作进一步处理。此时，保留下来的每个点将具备三种属性：（1）点云的标签；（2）在**距离图像**中的行列数；（3）距离值。

## B. Feature Extraction ##

这一步主要是从地面点云和分割出来的点云中提取特征，与LOAM中的操作一样。主要要搞清楚几个特征点集合的概念。

![cfc59d182adbdb28a1736fd5d9b84544.png][]

为了从各个方向均匀地提取特征，我们将**距离图像**水平分割成几个相等的子图像，将360°均匀分成6等分，每一等分的精度是 300 \\times 16（因为VLP-16线Lidar，一条scan是1800个点）。

计算子图中每一行的点的曲率值，对曲率值进行排序分类，> Cth，分为边缘点特征；< Cth 分为面点特征。设置以下几个集合(**论文中这部分语句相近，以下是我个人的理解，可能不准确**)：

![fcd73efb246b265dc10e50cd8adb57e3.png][]

## C. Lidar Odometry ##

![33aa027712195e2098f895ab30261447.png][]

1）Label Matching：LeGO-LOAM对点云进行了聚类分簇，不同的点云簇具有不同的Label。Label 信息可以作为两帧匹配的约束条件，连续两帧之间只有同类标签点云簇才能进行配准。这种方式可以提高配准的精度和效率。

![a7d135d02c5378e273c6ef46c33f0a51.png][]

![b92d20f245ec8c0bf7880d644697c042.png][]

## D. Lidar Mapping ##

![3d35cf2639c66c1d68ef153b63add4da.png][]

![fbc8af7dca7ae0b864dee18883ce1615.png][]

# **LeGO-LOAM的性能表现** #

作者为测试LeGO-LOAM的性能，设计了一系列的实验来对比LeGO-LOAM和LOAM的表现性能。

作者在户外的小场景和大场景中，分别对LeGO-LOAM和LOAM测试平台执行激烈和平缓的控制，来查看两者的建图效果和效率。

在小场景的激烈运动过程中：LOAM 会把草丛、树叶提取为边缘点特征（草丛和树叶是不稳定特征的主要来源）；而LeGOU-LOAM会过滤掉这些不稳定的特征，只会在树干，地面，台阶等上提取稳定特征。如下图所示（绿色是边缘点，粉色是面点）：

![5866e545de693f1c67699bc05f356cd5.png][]

在LOAM框架中，剧烈的运动容易造成点云地图的发散，如下图中(a)LOAM，有三个树干。

![5f87548ec1c03e29d3692e25b7d5c583.png][]

作者在大场景的都市环境（是一个学校，不同地点的海拔误差在19m之内）里也进行多种测试以验证建图的精度，有人行道，水泥路，土路和草丛。

LOAM 在人行道上的建图效果并不好，可能是一端存在树木叶子的干扰，如下图所示：

![46cde1d0dfc8160afbf63994654e5d7c.png][]

在其他三种场景中，LeGO-LOAM的偏差(终点相对于初始位置的偏差)表现都要优于LOAM。

![2a82919ccd7eebd95c7b11f36386dec3.png][]

整个测试的结果如下：

*  特征点数量对比：LeGO-LOAM特征点整体下降幅度超过：29%，40%，68%，72%。

![afaeb2b4f770dc7dc72db603fbc19dd7.png][]

*  迭代次数对比：里程计的迭代次数降低了34%，48%。

![2fc44665740755a3c4bf76a6e2a41fe4.png][]

*  运行时间对比：降低了 60%

![d128f0c6539994188380eed2906fadba.png][]

*  位姿误差对比：LeGOLOAM可以用更少的计算时间实现可比或更好的位置估计精度。

![e7412beed906eae964b1c2297a3e79c2.png][]

# 参考资料 #

1.  https://github.com/RobustFieldAutonomyLab/LeGO-LOAM

**备注：**作者也是我们**「3D视觉从入门到精通」**特邀嘉宾：[**一个超干货的3D视觉学习社区**][3D]

**原创征稿**

**初衷**  
3D视觉工坊是基于**优质原创文章**的自媒体平台，创始人和合伙人致力于发布3D视觉领域最干货的文章，然而少数人的力量毕竟有限，知识盲区和领域漏洞依然存在。为了能够更好地展示领域知识，现向全体粉丝以及阅读者征稿，如果您的文章是**3D视觉**、**CV&深度学习**、**SLAM**、**三维重建**、**点云后处理**、**自动驾驶、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、硬件选型、求职分享等方向，**欢迎砸稿过来~文章内容可以为**paper reading、资源总结、项目实战总结**等形式，公众号将会对每一个投稿者提供相应的**稿费**，我们支持知识有价！

**投稿方式**

邮箱：vision3d@yeah.net 或者加下方的小助理微信，另请注明原创投稿。

![ac56840f89a42cc8df9df9b86d8b5f2c.png][]

▲长按加微信联系

![9fd709c4004e38140d792dbbf593242c.png][]

▲长按关注公众号

[ed08b3382936a166e3a45f259d36cf42.png]: /images/20220828/34b28db4736a474b8ff26429775930eb.png
[0e262568092942183a89026771b8f90c.png]: /images/20220828/85df88bb3d2741b7b1666175cd9f6315.png
[aab21036a3aed795b21247ab3b3f3ab0.png]: /images/20220828/acefb1773639456a86b42d07545d2f73.png
[77847bf24fbcff7ec066f44406df9cae.png]: /images/20220828/6ef409230536447a8b832752ed0c8f9d.png
[3b6909894147c6e0a7fdbe9d359bcfc8.png]: /images/20220828/d9ec2abe51c349299830ba91583d5728.png
[d25bf12e0df8c73d597eeeac72135c34.png]: /images/20220828/a57fd7a7083e4cb68bdc873507297415.png
[cfc59d182adbdb28a1736fd5d9b84544.png]: /images/20220828/520d5186d37446f5b26720d95ee4b42c.png
[fcd73efb246b265dc10e50cd8adb57e3.png]: /images/20220828/e51ea557b30b4245afa9739b05595f66.png
[33aa027712195e2098f895ab30261447.png]: /images/20220828/4eae9ba3431941ecb934e0fba3e52c64.png
[a7d135d02c5378e273c6ef46c33f0a51.png]: /images/20220828/1d53c92131c94c46a189c6a2a30a1dfc.png
[b92d20f245ec8c0bf7880d644697c042.png]: /images/20220828/698366a491244e0c850400b0adc69d53.png
[3d35cf2639c66c1d68ef153b63add4da.png]: /images/20220828/119d2d3c29fd4973b5d05c876c9471b8.png
[fbc8af7dca7ae0b864dee18883ce1615.png]: /images/20220828/d0ffad44a73e40b9b5c0409211a11ffb.png
[5866e545de693f1c67699bc05f356cd5.png]: /images/20220828/3daf934ecd99403d8f7ee56c1a170e99.png
[5f87548ec1c03e29d3692e25b7d5c583.png]: /images/20220828/888f98b23c4e4787aee10437e05f9aae.png
[46cde1d0dfc8160afbf63994654e5d7c.png]: /images/20220828/9cce6e896e7246b0b5dae951906809e5.png
[2a82919ccd7eebd95c7b11f36386dec3.png]: /images/20220828/5ba2b23130af423ba46d6ef44aae5903.png
[afaeb2b4f770dc7dc72db603fbc19dd7.png]: /images/20220828/653218dc8aab40319df29bbd1f3dd140.png
[2fc44665740755a3c4bf76a6e2a41fe4.png]: /images/20220828/e873617e1455493382fc06c21b022cb3.png
[d128f0c6539994188380eed2906fadba.png]: /images/20220828/e16876bff9a44819928eeb8c1bb00a88.png
[e7412beed906eae964b1c2297a3e79c2.png]: /images/20220828/b80be7e2d3fc4c50ba0ff0edd997fe2a.png
[3D]: https://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247539834&idx=1&sn=9db42023b000f1bacd93828f9e8a884a&scene=21#wechat_redirect
[ac56840f89a42cc8df9df9b86d8b5f2c.png]: /images/20220828/b5ee376f3cdf4246af27f397fe48f161.png
[9fd709c4004e38140d792dbbf593242c.png]: /images/20220828/16922c48c4794773966e098a05cf025c.png