《智能驾驶之激光雷达算法详解》11、激光里程计
<div> 里程计,作为激光雷达导航、定位与地图构建的核心基石,通过连续追踪与匹配激光点云数据,精准估算车辆的运动轨迹。这一过程不仅深刻体现了机器人学领域的智慧结晶,更与测绘学中的点云拼接技术遥相呼应,尽管两者目标各异——前者旨在通过跨时空的点云对齐,揭示车辆姿态的微妙变迁;后者则聚焦于构建统一坐标系下的点云图景。</div><div style="text-align: center;"></div>
<div> 图11-1直观展示了这一原理的精髓:随着激光雷达随车辆穿梭,静态路标在雷达坐标系中的映射随之舞动,而正是这些动态变化的捕捉与解析,构成了激光里程计算法的核心逻辑。以特定时间窗内的运动求解为例,通过对比不同时刻同一路标在雷达坐标系下的位置变迁,反推雷达乃至车辆的移动轨迹,这一过程巧妙融合了空间旋转与平移的几何变换,最终汇聚成车辆运动轨迹的连续画卷。进一步地,基于海量路标点的数据支撑,我们得以构建一系列非线性方程,借助高效算法如非线性最小二乘法,精确求解出车辆在每个时间节点的位姿变化。这一过程循环往复,直至覆盖整个行驶周期,结合激光雷达的外部参数校准,最终绘制出车辆在真实智能驾驶场景下的精确轨迹图。在智能驾驶的广阔舞台上,点云扫描匹配技术已绽放出多样风采。依据不同的匹配策略与算法设计,该技术可细分为四大流派:原始点云直接配准、特征点引导的扫描匹配、基于点云分布特性的匹配方法,以及前沿的深度学习驱动方案。每种方法各有千秋,共同推动着智能驾驶技术的不断前行。</div>
<div><strong>基于特征点匹配的LOAM算法</strong></div>
<div> 聚焦于LOAM算法——这一由卡内基·梅隆大学的杰出学者Andrew J. Davison与Sanjiv Singh在2014年精心打造的激光里程计与建图杰作。LOAM在KITTI数据集上的卓越表现,彰显了其非凡的实力。该算法巧妙地从点云数据中提炼出标志性的角点和平面点,</div>
<div style="text-align: center;"></div>
<div> LOAM的运作流程如图11-2所示,展现了其严谨而高效的架构。在t帧时刻,系统捕获激光雷达的原始点云数据后,首先利用激光点的广义曲率特性,精准筛选出角点和平面点。随后,借助IMU/里程计数据的辅助,对帧内激光雷达的运动进行初步预估,并通过插值技术消除点云中的运动畸变。紧接着,将处理后的特征点与前一帧的特征点进行精细匹配,精确计算出两帧间的激光雷达运动变化量。这一过程中,运动信息以每秒10次的频率传递给位姿变化集成模块,确保实时性与准确性的平衡。同时,无偏差的特征点点云及运动变化量则以每秒1次的频率进入激光点云建图模块,为构建精准的点云地图提供坚实支撑。此外,LOAM算法还以每秒1次的频率执行点云帧与点云地图的匹配操作,其输出的位姿信息被送入位姿变化集成模块,对里程计输出的位姿进行校正,从而进一步提升位姿估计的鲁棒性和精确度。LOAM算法以其独特的特征点匹配策略、高效的数据处理流程以及卓越的位姿估计能力,在激光里程计与建图领域树立了新的标杆。</div>
<div> LOAM这一激光里程计与建图的标杆算法,其激光里程计模块精妙地从原始点云中萃取边缘与平面特征点,实现帧间特征点的精准匹配,并借助线性最小二乘优化策略,精准计算出激光雷达在连续扫描间的位姿变换。而建图环节,LOAM更是独树一帜,通过帧与点云地图或子地图与全局地图的紧密匹配,对里程计位姿估计进行精细校正,显著提升了定位精度与建图质量。LOAM算法不仅自成体系,更为后续激光SLAM及多传感器融合SLAM的演进铺就了坚实的基石,值得每一位研究者深入探索与领会。</div>
<div> NDT算法:基于点云正态分布特征的匹配注册,NDT(Normal-Distributions Transform)算法,由Biber与Straller在2003年针对2D点云配准提出,其独特之处在于摒弃了ICP等传统算法的点对点匹配方式。NDT首先将点云数据栅格化,随后利用概率密度函数(PDF)描绘点云的分布特性。通过匹配两帧点云间的分布信息,NDT能够高效计算出激光雷达在两帧间的位姿变换。Magnusson等人在后续研究中成功将NDT算法扩展至3D点云配准领域,实现了激光雷达的3D位姿变换。NDT算法的核心在于其概率分布表征方法,它不仅限于正态分布,任何能在局部准确反映点云结构且对异常值具有鲁棒性的PDF均可尝试。这使得NDT算法在计算开销与稳定性上相较于ICP等传统算法展现出明显优势。</div>
<p><!--importdoc--></p>
页:
[1]