《智能驾驶之激光雷达算法详解》11、激光里程计

戈壁滩上的辉煌

《智能驾驶之激光雷达算法详解》11、激光里程计 [复制链接]

        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。

        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。

基于特征点匹配的LOAM算法

        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，

        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。

        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。

        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。