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# Global Data Association for SLAM with 3D Grassmannian Manifold Objects
论文地址：https://arxiv.org/abs/2205.08556
作者单位：麻省理工学院
与常用的点云地图相比，在激光雷达SLAM中使用极点和平面可以提高精度并降低地图存储要求。然而，使用这些地标进行位置识别和几何验证是具有挑战性的，因为需要在没有初始位姿的情况下进行全局匹配。现有的方法通常只利用极点或平面地标，将应用限制在有限的环境集合中。本文提出了一种同时使用三维线、面目标进行激光雷达扫描回环检测的全局数据关联方法。
本文的主要创新点是在仿射子空间流形上对激光雷达扫描提取的线和面目标的表示，称为仿射Grassman空间。使用我们的基于图的数据关联框架来匹配线和面的对应关系，并随后以最小二乘进行配准。与仅极点方法和仅平面方法相比，我们的3D仿射Grassman方法在Kitti数据集上分别提高了71%和325%的回环检测召回率，并且可以提供小于10 cm和1度的定位误差。
本文贡献如下：
1、引入极点和平面对象的仿射Grassmannian表示，用于全局数据关联，导致三维地标的几何验证，无需初始对齐;
2、使用线和平面代替点进行刚性转换的最小二乘估计，导致对旋转和平移的更准确估计;
3、对KITTI数据集的四个序列进行闭环几何验证的评估;
4、准确度都超过了最先进的方法。
以上内容来自从零开始机器人SLAM知识星球 每日更新内容