【泡泡一分钟】LeGO-LOAM：可变地形下的轻量级和地面优化激光雷达测距和测绘

会员服务 ·

【泡泡一分钟】LeGO-LOAM：可变地形下的轻量级和地面优化激光雷达测距和测绘

2019 年 1 月 14 日 泡泡机器人SLAM

每天一分钟，带你读遍机器人顶级会议文章

标题：LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain

作者：Tixiao Shan and Brendan Englot

来源：2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

源码：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM

编译：王丹

审核：颜青松，陈世浪

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

我们提出了一种用于地面车辆实时六自由度姿态估计的轻量级和地面优化激光雷达测距和测绘方法（LeGO-LOAM）。

图1 LeGO-LOAM硬件及系统概述

轻量级-因为能够在低功耗嵌入式系统上实现实时姿态估计，地面优化-因为在分割和优化步骤中利用了地面的约束。我们首先采用点云分割的方法滤除噪声，再进行特征提取，得到平面特征和边缘特征。然后采用两步Levenberg-Marquardt优化方法，利用平面特征和边缘特征求解连续扫描的六自由度变换的不同分量。

图2 噪声环境中进行扫描的特征提取过程，原始点云显示在（a）中。在（b）中，红色点被标记为接地点，其余的点是分割后保留的点。在（c）中，蓝色和黄色点表示Fe和FP中的边缘和平面特征。在(d)中，绿色点和粉色点分别表示Fe和Fp中的边缘和平面特征。

图3 激光雷达测距模块的两步优化。首先通过匹配从地面点提取的平面特征来获得[tz，θroll，θpitch]。然后使用[tz，θroll，θpitch]作为约束条件，利用从分割点提取的边缘特征来估计[tx，ty，θyaw]。

我们使用地面车辆从可变地形环境中收集的数据集来比较LeGO-LOAM与最先进的LOAM方法的性能，结果表明LeGO-LOAM在减少计算开销的情况下达到相似或更好的精度。为了消除由漂移引起的姿态估计误差，我们还将LeGO-LOAM集成到SLAM框架中，并用KITTI数据集进行了测试。

图7 在实验2中，LOAM在穿过史蒂文斯校园的人行道上失效（上图（a）中最左边的人行道）。人行道的一端是由附近建筑物的特征支撑的，人行道的另一端主要被嘈杂的物体，即草和树木包围。没有点云分割就不能从这些目标中提取出可靠的边缘和平面特征。图像（B）和（D）表明，壤土在经过人行道时失效。

表5 返回起始时的相对位姿估计误差。

Abstract

We propose a lightweight and ground-optimized lidar odometry and mapping method, LeGO-LOAM, for real- time six degree-of-freedom pose estimation with ground ve- hicles. LeGO-LOAM is lightweight, as it can achieve real- time pose estimation on a low-power embedded system. LeGO- LOAM is ground-optimized, as it leverages the presence of a ground plane in its segmentation and optimization steps. We first apply point cloud segmentation to filter out noise, and feature extraction to obtain distinctive planar and edge features. A two-step Levenberg-Marquardt optimization method then uses the planar and edge features to solve different components of the six degree-of-freedom transformation across consecutive scans. We compare the performance of LeGO-LOAM with a state-of-the-art method, LOAM, using datasets gathered from variable-terrain environments with ground vehicles, and show that LeGO-LOAM achieves similar or better accuracy with re- duced computational expense. We also integrate LeGO-LOAM into a SLAM framework to eliminate the pose estimation error caused by drift, which is tested using the KITTI dataset.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/forums/