以下内容来自从零开始机器人SLAM知识星球 每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

论文# A SLAM System with Direct Velocity Estimation for Mechanical and Solid-State LiDARs

作者单位：中山大学

同时定位和建图（SLAM）对于在未知环境中运行的智能机器人至关重要。然而，现有算法通常是针对特定类型的固态 LiDAR 开发的，导致新传感器的特征表示能力较弱。此外，基于 LiDAR 的 SLAM 方法受到 LiDAR 运动引起的失真的限制。为了解决上述问题，本文提出了一种基于 LiDAR 的多功能和速度感知的里程计和建图 (VLOM) 系统。基于球面投影的特征提取模块用于处理各种激光雷达生成的原始点云，从而避免了各种不规则扫描模式的耗时适应。提取的特征被分组到更高级别的集群中，以过滤掉较小的对象并减少特征关联期间的错误匹配。此外，采用BA联合估计多次扫描的位姿和速度，有效提高速度估计精度并补偿点云失真。公开可用数据集的实验证明了 VLOM 在准确性和鲁棒性方面优于其他最先进的基于 LiDAR 的 SLAM 系统。此外，VLOM 在新发布的固态激光雷达 RS-LiDAR-M1 上的令人满意的性能表明其适用于广泛的激光雷达。

本文贡献如下：
1、各种 LiDAR 生成的点云通过球面投影表示为球面图像，以供进一步处理。与大多数基于扫描线的特征提取方法相比，我们的方法基于更精确的点到平面或点到线距离对特征点进行分类。此外，这些特征被分组到更高级别的集群中，以防止不准确的数据关联。
2、我们在里程计阶段估计姿态的同时估计速度。通过小的BA，我们可以同时对多个扫描执行 12 自由度估计，从而使我们能够直接获得准确的速度。
3、我们提出了一种计算特征点协方差矩阵的有效方法，该方法显着降低了建图阶段BA的计算复杂度。
4. 我们在四种类型的激光雷达上测试了我们的算法的性能，包括两种基于转子的机械激光雷达和两种固态激光雷达。实验结果表明，所提出的方法可以成功地应用于这些激光雷达，并且比现有的最先进的 SLAM 方法具有更高的精度。






以上内容来自从零开始机器人SLAM知识星球 每日更新内容