基于多场景匹配的精确位姿估计.docxVIP

基于多场景匹配的精确位姿估计 Qi-Xing Huang Stanford University 450 Serra Mall Stanford, CA 94305Dragomir Anguelov Google Inc. Qi-Xing Huang Stanford University 450 Serra Mall Stanford, CA 94305 1600 Amphitheatre Pkwy Mountain View, CA 94043 摘 要 本文介绍了-?种快速精确的方法来实现移动机器人在水平位置获取的多幅激光场景的匹配。该方法 基于-?种称为潜在地图的新奇的场景儿何表示，它包含一组由场景的空间占用栅格來定义的分段线性函数。 潜在地图的引入是为了以规范的方式处理噪声，异常值和有限的空间分辨率。本算法的核心是迭代的优化 潜在地图和优化潜在地图与输入场景Z间的匹配。为了处理儿十组到儿千组激光数据这样的大的数据集， 木文提出了一种多分辨率的位姿估计步骤，它能在多分辨率下应用本文的算法并且能够合并结果。本文将 这种新颖的扫描匹配方法应用于许多挑战性的数据集合，实验证明用该方法获得的实时位姿和重建的地图 明显比单纯使用两两匹配方法完成的结果要好。 1引言 激光打描已经成为移动机器人领域的标准设备，通常被应用于定位和地体构建。激光扫 描兀配不仅可以用来估计机器人和环境物体的运动变化，而且可以计算当机器人重复访问同 一幅相同的场景时的精确位姿约朿。扫描兀配通常使用传统ICP算法的变种完成两幅场景 的匹配。然而，种方法容易产生误差由于噪声，异常值（由物体的移动和表面的反射）和有 限的角度分辨率等激光数据特性。两幅场景的信息不足以处理这些影响因素。多场景匹配通 常一次将一幅场景匹配到先前已经匹配好的一系列场景。这种有效的方法有一个很明显的缺 点，先前计算的扫描关系并不会基于最新的一组数据。所有场景之间互相匹配也是通过优化 重叠区域完成的，但是这种方法需要经过复杂的二次计算。 本文提出了一种新颖的扫描匹配算法，它能有效地同时完成大量扫描场景之间的匹配。 该方法的核心是获得场景儿何结构的一个准确估计称为潜在地图，它由一系列分段线性函数 表示，这些函数是通过固定分辨率的空间栅格计算的。每个线性函数近似表示数据所在栅格 的表面。本文算法最开始从经过粗糙匹配后的场景（输入）计算一个低分辨率的潜在地图, 然后利用这个地图佔计为所有场景计算一个更好的兀配关系。随着重复这个过程直到收敛, 我们逐渐提高潜在地图的分辨率來提高匹配质量。 本文的匹配算法相对于其他两幅场景和多幅场景Z间的匹配方法，那些方法在处理稀少 数据和噪声方面很差。相反，本文的算法明确地重建一个潜在地图，并且在这个过程中能够 同吋利用多组扫描数据。潜在地图将隐式表血和显式表血表示的优势结合起来，例如快速的 匹配点对查询和高效的的近似能力。虽然使用了分段线性函数，但是本文的模型包含一个相 对线性表面的隐式偏差，这偏差在人工坏境下是普遍存在的。本文的表达方法同样能够隐式 地处理异常值例如运动物体，因为潜在地图的侮个函数包含对应栅格单元数据的近似程度的 估计，并且根据扫描匹配的计算来加权。本文的算法是非常高效的，因为它能够使用线性数 目的每幅场景和模板平血的约束得到二次数量的相邻场景兀配之问的关系。这样，我们就能 获得大范围数据的关系（例如场景1和场景100之间的关系），减小位姿漂移，避免二次运 算消耗。而且，潜在地图通过使用一种四叉树结构高效地实现存储区的编码。本算法直接应 用于完整的3D情况，网格由一系列存储在八叉树的立体元素组成。 尽管本文的焦点是我们的扫描匹配技术，我们也提出了一个特殊的SLAM算法，它用 来充分证明匹配技术的能力。该算法将我们的方法应用于一个包含两种情况多分辨率框架。 在由低到高的情况，多组经本文兀配方法兀配的场景被当成下一水平级的初始场景。在有高 到低的情况，更高一级的匹配结果用来为当前水平的扫描场景提供初始位姿。最后，木文算 法将同时对所有的场景的匹配进行优化。我们将这种多层次的SLAM算法应用于一些困难 的真实世界的数据集，这些数据即采于室内又采于室外，场景中包含车辆和行人。我们证明 本文的算法是非常高效的，而且可以在环形环境得到全局一致的效果而不需要明确的指出闭 环。 文章的剩余部分组织如下。第二段回顾了一些相关工作。第三段提出了我们的多场景匹 配方法的构想。第四段描述了如何优化构想的目标。第五段提出了我们的多分辨率位姿优化 方法。第六段评价了方法的效果，第七段进行了总结。 2相关工作 本文的主要焦点是提出了一个新颖的扫描匹配方法，它可以与许多SLAM算法相结合。 完整的SLAM算法的探索不在本文范围内，本文的读者可以查阅文献【28】，[7],【1】