摘要——本算法用于检测和包含玻璃物体基于优化的SLAM算法。当激光作为主要的外部感知传感器时，玻璃物体不能正确被探测到。当入射光主要穿过玻璃物体或反射离开光源时，会发生这种情况，从而导致玻璃表面的距离测量不准确。本文我们利用一个简单的，计算成本低廉的玻璃检测方案用于玻璃物体的检测，提出将识别出的物体融入cartographer维护的占据栅格地图里。
介绍
玻璃检测论文：
An indoor navigation algorithm incorporating representation of Quasi-Static Environmental Object and glass surface detection using LRF sensor
Improved laser-based navigation for mobile robots
Identification of transparent and specular reflective material in laser scans to discriminate affected measurements for faultless robotic slam,
Robust localization of mobile robots considering reliability of lidar measurements
Mobile robot path planning using a laser range finder for environments with transparent obstacles,
Accurate lidarbased localization in glass-walled environment,
本文中，我们利用强度值的尖峰来检测玻璃和其他透明表面的存在，如[3]中所述，将这些检测到的点融合到cartographer中。
本文主要贡献：
1、玻璃检测和建图算法的实现基于cartographer；
2、提高了基于GMapping的玻璃检测和建图方案生成的地图的准确性
背景
B、玻璃检测
本文只有激光束反射的强度数据被用于检测透明表面。在文献[3]Detecting glass in simultaneous localisation and mapping,”中引入，由于玻璃表面具有高度抛光的表面，这些镜面反射激光束。因此，当机器人从垂直入射角接收激光时，接收到的光线强度将达到最高强度。因此，通过检查激光扫描数据的强度分布并识别强度峰值，可以检测玻璃表面。对于错误证据检测，该算法使用强度阈值(thresh)，一个强度梯度(grad)以及轮廓宽度(width)作为可调参数。玻璃检测算法如下1所示，尽管这种检测方法只允许小范围的视角，但在最近的文献中，这是一种已被证明的玻璃检测方法[2].[3]
2D图优化中的玻璃建图
下面会讨论将检测到的玻璃点融入到2D图优化框架中，cartographer。
玻璃建图方案主要的目标是添加检测到的鲁棒的玻璃店进入到地图中。理想情况下，这可以通过识别概率网格中检测到的玻璃点的网格索引并命令将该特定网格的网格概率增加到最大允许概率来实现。
然而一个 玻璃点是可见的，可检测为一个障碍点的，只有当激光点垂直射向玻璃表面时。因此，当激光射线穿透玻璃或者光束反射到原理lidar的方向，这样的点被认为时miss点。
因此即使检测点的网格概率在检测时被设置为高值，cartographer算法随后会减少它的概率值，当同样的玻璃点被检测到作为一个miss点时。这是由于cartographer算法内在的性质，因为它考虑hit和miss来更新概率。
因此，为了坚决的融合地图中检测到的点，本文提出cartographer-glass框架，使用两种子方案：1）局部玻璃建图方案将检测到的玻璃点映射到当前的子图；2）全局玻璃方案在全局地图中保留检测到的玻璃点。
1）局部玻璃建图：
在本方案中，检测到玻璃点的栅格索引在当前子图中的概率首先被确定。然后，被确定的栅格概率人工设置为最大概率值。因此，检测到的玻璃点现在被添加到局部地图中作为一个hit点具有最大概率值，对观测到的玻璃点进行标识，这在随后同一点的出现会很有用。如果一个已经被i观测到的玻璃点再一次被观测，不管是hit还是miss都不会更新它的最大概率值。这一个过程使得检测到的玻璃在子图中概率不会变化。并且，检测到的玻璃点的全局坐标系相对于初始全局坐标系被保存在全局玻璃点数组中，通过一个变换矩阵Hk。Hk是从初始全局坐标系到当前全局坐标系，在执行回环检测优化时计算。见算法2，这会返回第k个子图的概率栅格。
2）全局玻璃建图：局部玻璃建图方案在子图水平是可用的，因为计算的概率网格在每个子地图的开始处被重新初始化。因此，先前被观测到的玻璃点的标识符在随后初始化的子图中不复存在。因此，如果先前被观测到的玻璃带你现在被认为是miss，它会根据miss的概率而更新已添加的玻璃店，导致概率值减小。因此，必须将保存的点从全局Glass点阵列添加到每个后续子地图，以在全局地图中保留检测到的表面。因此这些点需要在添加他们之前，被转换到当前全局坐标系下。下一步，这些被添加的点的概率值设置为最大。这使得局部玻璃建图方案去识别新的添加的点作为玻璃点，让在子图构建过程中时。算法3展示了全局算法：
然而，实施全局玻璃方案的一个重要挑战是准确估计检测到的玻璃点的H变换；此外，当地图的部分在发生回环检测，在观测多次之后，因此当前子地图可能会跨越到一些区域，这些区域还没有通过添加回环检测约束来优化。这些情形下，添加的检测到的点可能会由一个偏移错误在机器人实际和估计轨迹之间。这在建图大空间的场景中更为明显，因为在这种场景中引入漂移的可能性更大。因此在这种情况下，以上的全局玻璃建图计划时无效的。然而，一个替换的方法是只使用局部的玻璃建图算法，增加pmiss的值一边过去点不会频繁概率减小。我们称这个方法为只有局部建图的方案被用于一个增加的Pmiss作为cartographer-glass-lite。
实验结果：
标签：cartographer,概率,Graph,LiDAR,玻璃,建图,检测,全局 From： https://www.cnblogs.com/gary-guo/p/17136872.html