zoukankan      html  css  js  c++  java
  • 论文阅读 Characterization of Multiple 3D LiDARs for Localization and Mapping using Normal Distributions Transform

    Abstract

    在这个文章里, 我们细致的比较了10种不同的3D LiDAR传感器, 用了一般的 Normal Distributions Transform (NDT) 算法.

    我们按以下几个任务来分析表现和特性:

    • 按照 mean map entropy 来衡量地图质量
    • 6DOF 定位

    1. Introduction

    Operational design domain: ODD

    有几个关键的指标:

    • 测量范围
    • 测量精度
    • 重复性? repeatablity
    • point density
    • scanning speed
    • configurability
    • wavelengths
    • robustness对于环境变化, 不同的天气

    我们用 NDT[16, 17, 18].

    贡献如下:

    • ..
    • 3D地图的评估, 用了 mean map entropy (MME) 和 mean plane variance (MPV) 分数.

    2. Normal Distributions Transform

    A. NDT Scan Matching

    在NDT里, scan (点云) 会被分为 归一的3D格中, 每个体素保留它的 平均和分布, 然后用 正态分布体素来表达正太分布.

    按照[16] 的说法, 点云(地图或者是model) $old{M} 是 $$M$ 个点 (x_i = <x_i, y_i, z_i>^T) 的向量, (i in [1...M]), (x_k) 是第k个 ND 体素.

    [egin{aligned} oldsymbol{p}_{k} &=frac{1}{M_{k}} sum_{i=1}^{M_{k}} oldsymbol{x}_{k i} \ oldsymbol{Sigma}_{k} &=frac{1}{M_{k}} sum_{i=1}^{M_{k}}left(oldsymbol{x}_{k i}-oldsymbol{p}_{k} ight)left(oldsymbol{x}_{k i}-oldsymbol{p}_{k} ight)^{ op} end{aligned} ag1 ]


    (t) 的定义是6DoF的位姿.

    [E(oldsymbol{X}, oldsymbol{t})=sum_{i}^{N} exp frac{-left(oldsymbol{x}_{i}^{prime}-oldsymbol{p}_{i} ight)^{ op} oldsymbol{Sigma}_{i}^{-1}left(oldsymbol{x}_{i}^{prime}-oldsymbol{p}_{i} ight)}{2} ag2 ]

    (E(X, t)) 大的时候, 表示输入的点云和地图align的很好. 牛顿非线性函数优化会用于找到 (t) 使得 (E(X, t)) 最大化. 因此我们最小化函数 (f(t) = -E(X, t)). 参数向量 (t) 的更新如下:

    [oldsymbol{t}_{n e w}=oldsymbol{t}-oldsymbol{H}^{-1} oldsymbol{g} ]

    这里 (g)(H) 是 f 的偏微分 和 二阶偏微分.

    B. NDT Evaluation Metrics

    1. 迭代:
    2. Fitness Score
    3. Transformation Probability

    C. NDT Precision and Performance Factors

    1. 输入点云降采样:
    2. 参照地图的分辨率:
    3. VoxelGrid Filter: 跟地图分辨率类似, voxel grid filter 是降采样的方法
    4. LiDAR Beams 的数量:
    5. Matching Initialization

    3. Multiple LiDAR Dynamic Traffic Data

    A. 数据采集

    • 三个时间段: 早中晚

    B. Evaluation Routes

    • 路线 A: 749m, 比较吓着, 有树, 建筑, 坡道; 最大速度在 30km/h
    • 路线 B: 475m, 基本平, 最大速度在 40km/h - 50km/h
    • 路线 C: 797m, 最大速度40km/h

    4. Mapping Evaluation

    对于每个LiDAR和每条路线, 我们创造了一个3D地图. NDT的分辨率的定义是 1m, 最大迭代数量是50次, 最小范围是 3m, 最大范围是 200m. 最小shift 参数被设定为 1m.

    VLP-16 有最低线束 和 OS1-64 有最大的纵向误差.

    我们也考虑了别的维度来衡量地图质量, 平均地图熵 (mean map entropy MME) 和 mean plane variance (MPV) 在[25]中被讨论过. Mean map entropy 如下:

    [egin{aligned} hleft(oldsymbol{x}_{k} ight) &=frac{1}{2} ln left|2 pi e oldsymbol{Sigma}left(oldsymbol{x}_{k} ight) ight| \ H(oldsymbol{M}) &=frac{1}{M} sum_{i}^{M} hleft(oldsymbol{x}_{i} ight) end{aligned} ]

    Mean plane variance (MPV) 分数如下:

    [V(oldsymbol{M})=frac{1}{M} sum_{i}^{M} vleft(oldsymbol{x}_{i} ight) ]


    5. Localization Evaluation

    我们用了 体素大小是2m, 最大距离是200m.

    跟NDT建图类似, NDT 分辨率是1m, 最大迭代数是50, 误差阈值是1m. 图5展示了不同LiDAR定位时的表现.

    6. Conclusion

    没啥

  • 相关阅读:
    对象池使用时要注意几点
    Flash3D学习计划(一)——3D渲染的一般管线流程
    714. Best Time to Buy and Sell Stock with Transaction Fee
    712. Minimum ASCII Delete Sum for Two Strings
    647. Palindromic Substrings(马拉车算法)
    413. Arithmetic Slices
    877. Stone Game
    338. Counting Bits
    303. Range Sum Query
    198. House Robber
  • 原文地址:https://www.cnblogs.com/tweed/p/14243243.html
Copyright © 2011-2022 走看看