自动驾驶中的激光里程计综述.docxVIP

一、文章概述

摘要

车辆里程计是自动驾驶系统的重要组成部分，因为它可以计算车辆的位置和方向。在全球导航卫星系统(GNSS)信号微弱和噪声较大的城市地区，里程仪模块的需求和影响更高。传统的视觉里程计方法在姿态估计时会受到光照状态变化的影响，并且会产生偏差，随着误差的累积，会产生很大的误差。利用光探测和测距(LiDAR)设备进行里程计已经引起了越来越多的研究兴趣，因为LiDAR设备对光照变化具有很强的健壮性。在这次调查中，我们检查了现有的LiDAR里程计方法，总结了流水线并描述了几个中间步骤。此外，现有的LiDAR里程计方法按其对应类型进行了分类，并在每个步骤中跨类别和类内分析了它们的优缺点和相关性。最后，我们比较了这些方法在Kitti里程计数据集上的精度和运行速度，并展望了未来的研究方向。

问题导向

与需要外部信号(例如GNSS信号)的基于GNSS/INS[1]的定位不同，车辆里程计利用本地传感器的读数来跟踪车辆的运动，从而在外部信号受阻或高度噪声的情况下获得可靠的测量结果。例如，在城市峡谷、隧道和山谷中，由于多径误差，GNSS信号噪声很高，而里程计模块不受影响。

视觉里程计缺点

1、受光照影响

2、视觉里程计是在与世界坐标不同的图像坐标中估计的

LIDAR避免光照变化的影响，并直接在世界坐标下测量距离，这使它们成为车辆里程测量任务的理想选择。

二、激光里程计

2.1问题描述

激光里程计的关键步骤是估计每个连续LiDAR帧对之间的变换

2.2Pipeline

激光里程计一般被分为5步

（1）预处理：LiDAR点云经过重新组织、分割和过滤，以实现更好的特征提取和匹配。典型的预处理方法有3D到2D投影、语义分割、运动物体去除和地面去除。

（2）特征提取：关键点或特征向量是从点或点簇中提取的，它们在特征对应中充当候选。可以用图像特征描述符、神经网络提取。

（3）对应搜索：匹配特征点以生成对应关系，主要有三类。点对应、分布对应、网络对应。

（4）位姿估计

给一个对应点集

一般，目标是最小化损失函数

（5）后处理

三、方法解析

3.1基于点的方法

过去三十年，基于ICP的方法有

TrimmedICP：结合了最小修剪平方(LTS)方法，使算法能够在重叠率低于50%的情况下运行

GICP：将ICP和点到平面ICP算法组合到一个概率框架中

SparseICP

AA-ICP

SemanticICP：将像素化语义测量合并到估计两个点云之间的相对变换中，进行联合几何和语义推理来改进配准任务

Suma++：使用RangeNet++提供的逐点语义标签，过滤掉动态对象的像素并向扫描配准添加语义约束。

DGR

ELO：使用圆柱投影代替球面投影，并利用鸟瞰图进行

基于点对应的方法从激光雷达帧中提取关键点，建立关键点对，并根据关键点对估计变换。ICP方法的主要缺点是当点云较远时，容易出现局部极小值。

一般ICP算法流程如下

3.2基于分布的方法

正态分布变换方法是解决LiDAR里程计应用的配准问题的一种定义方法。在过去的二十年里，NDT出现了多个版本

3DNDT

PNDT-LO：与经典无损检测不同，在计算均值和协方差的同时计算每个点的概率分布函数，从而提高平移和旋转精度。

AugmentedNDT

weightedNDT：通过分别为具有较大或较小概率的点分配较大或较小的权重来处理鲁棒环境中的点云匹配

这些方法的关键步骤是将输入点云转换为计算正态分布的相等单元大小。然后将它们与其他点云的其他正态分布进行比较并分配分数。该算法找到增加分数的旋转和平移。

NDT算法流程如下

3.3基于神经网络的方法

基于网络的方法在LiDAR里程计管道的位姿估计模块中采用神经网络。与基于ICP和NDT的方法相比，LiDAR测距领域使用深度学习作为点云配准步骤的方法相对较新。

PointNet++：点云分割网络，结合了一种新的网络，直接接受点云，而不是像其他方法那样使用体素化。

LO-Net：采用激光雷达点云数据，计算扫描间6-DoF相对位姿。

L3-Net：混合了多种方法，mini-PointNet用于特征提取，3dcnn用于正则化

DeepLO：首次引入了几何感知激光雷达里程计的监督和无监督框架。DeepLO还将顶点和法线映射作为网络输入，没有精度损失

LodoNet：在其旋转和平移估计模块中采用了PointNet分类体系结构。但与LO-Net不同的是，平移和旋转模块是分开的，因此在测程结束时产生两个3-DoF预测。

3DregNet：它可以扩展到涉及处理多个视图的场景，而不是像经典方法那样只处理两个视图。

近些年，基于深度学习的里程计迅速发展，运行速度和效果大大提升，与LOAM并肩。

四、实验对比

把所有LiDAR里程