ICRA2021| Intensity-SLAM：基于強(qiáng)度輔助的大規(guī)模環(huán)境定位和建圖

摘要：SLAM是一項(xiàng)基于傳感器感知（如LiDAR和相機(jī)）可用于估計(jì)機(jī)器人位置并重建環(huán)境的任務(wù)。它廣泛應(yīng)用于自動(dòng)駕駛等機(jī)器人應(yīng)用場(chǎng)景。傳統(tǒng)基于 LiDAR 的 SLAM 算法主要利用場(chǎng)景上下文中的幾何特征，而忽略了來(lái)自 LiDAR 的強(qiáng)度信息。最近一些基于深度學(xué)習(xí)的 SLAM 算法會(huì)考慮強(qiáng)度特征并以端到端的方式訓(xùn)練位姿估計(jì)網(wǎng)絡(luò)。然而，它們需要大量的數(shù)據(jù)收集工作，并且它們對(duì)訓(xùn)練環(huán)境以外的環(huán)境的普遍性仍不清楚。本文中，我們接收了基于強(qiáng)度特征的 SLAM 系統(tǒng)。我們提出了一種新穎的完整 SLAM 框架，它利用了幾何和強(qiáng)度特征。所提出的 SLAM 涉及基于強(qiáng)度的前端里程計(jì)估計(jì)和基于強(qiáng)度的后端優(yōu)化。進(jìn)行了包括室外自動(dòng)駕駛和室內(nèi)倉(cāng)庫(kù)機(jī)器人實(shí)驗(yàn)。其結(jié)果表明，所提出的方法優(yōu)于現(xiàn)有的僅幾何的 LiDAR SLAM 方法。

I 引言

定位是機(jī)器人技術(shù)的基本和基本主題之一。隨著機(jī)器人工業(yè)的發(fā)展，機(jī)器人定位在過(guò)去的幾十年里變得更加具有挑戰(zhàn)性：從已知到未知環(huán)境，從簡(jiǎn)單到復(fù)雜環(huán)境，從靜態(tài)到動(dòng)態(tài)環(huán)境[1]，從短期到長(zhǎng)期定位[2]。通常，固定錨（或路由器）設(shè)置在預(yù)定義的區(qū)域中，機(jī)器人位姿通過(guò)使用機(jī)器人與多個(gè)錨的距離來(lái)獲得，例如超寬帶(UWB)[3]和WI-FI定位[4]。但是，這些方法依賴(lài)于外部設(shè)置，并且主要用于小規(guī)模環(huán)境。為了解決傳統(tǒng)定位方法的局限性，引入了同時(shí)定位和建圖 (SLAM) 來(lái)估計(jì)機(jī)器人位姿 [5]。它獨(dú)立于外部設(shè)置，因此在機(jī)器人應(yīng)用中很有前景。根據(jù)使用的感知系統(tǒng)，SLAM可以進(jìn)一步分為Visual SLAM（V-SLAM）和LiDAR SLAM。與 Visual SLAM 相比，LiDAR SLAM 對(duì)天氣和光照等環(huán)境變化更加準(zhǔn)確和魯棒 [6]。

傳統(tǒng)的 LiDAR SLAM 方法，如 LOAM[7] 和 HDL-Graph-SLAM [10]，主要關(guān)注僅依靠幾何信息以最小化點(diǎn)云差異。這樣，強(qiáng)度信息常常被忽略。請(qǐng)注意，強(qiáng)度信息與材料的反射率有關(guān)，并且對(duì)于不同的物體是不同的，這對(duì)于定位和物體識(shí)別很有用。因此，我們認(rèn)為一個(gè)強(qiáng)大的 LiDAR SLAM 系統(tǒng)應(yīng)該考慮到這樣的強(qiáng)度信息。雖然最近有一些工作旨在使用強(qiáng)度信息來(lái)提高準(zhǔn)確性，但它們主要采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)擬合原始激光掃描數(shù)據(jù)，沒(méi)有任何特定的強(qiáng)度分析或公式化。此外，需要收集大量數(shù)據(jù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這在實(shí)際應(yīng)用中可能很麻煩。

在之前的工作 [8] 中，我們已經(jīng)證明強(qiáng)度信息對(duì)于穩(wěn)健的回環(huán)檢測(cè)非常有用。本文中，我們進(jìn)一步利用強(qiáng)度信息來(lái)提高 SLAM 系統(tǒng)的定位精度。我們提出了一種新穎的 SLAM 框架，它使用幾何和強(qiáng)度信息進(jìn)行里程計(jì)估計(jì)。我們首先分析強(qiáng)度測(cè)量的物理模型。然后，我們?cè)诶锍逃?jì)估計(jì)公式中為現(xiàn)有的僅依靠幾何的代價(jià)引入了額外的強(qiáng)度代價(jià)。最后，我們結(jié)合了基于強(qiáng)度的閉環(huán)檢測(cè)和后端優(yōu)化來(lái)進(jìn)一步提高性能。所提出的框架使用室內(nèi)倉(cāng)庫(kù)環(huán)境機(jī)器人和室外自動(dòng)駕駛汽車(chē)進(jìn)行了測(cè)試。結(jié)果表明，我們的方法在多種環(huán)境中提供了可靠和準(zhǔn)確的定位，并且優(yōu)于僅依靠幾何的方法。本文的主要貢獻(xiàn)如下：

1）我們提出了一種新穎的 SLAM 框架，它使用強(qiáng)度和幾何信息進(jìn)行定位估計(jì)，包括前端里程計(jì)估計(jì)和后端因子圖優(yōu)化。所提出的方法是開(kāi)源的。

2）我們建議構(gòu)建一個(gè)強(qiáng)度圖來(lái)揭示強(qiáng)度分布，并將強(qiáng)度代價(jià)引入現(xiàn)有的僅依賴(lài)幾何形狀的 LiDAR SLAM 以估計(jì)機(jī)器人的位置。

3）對(duì)所提出的方法進(jìn)行了全面的評(píng)估。更具體地說(shuō)，我們的方法在倉(cāng)庫(kù)和自動(dòng)駕駛場(chǎng)景中進(jìn)行了測(cè)試。結(jié)果表明，對(duì)于多種場(chǎng)景，我們的方法優(yōu)于現(xiàn)有的僅依靠幾何方法。

本文的組織如下：第二部分回顧了現(xiàn)有 LiDAR SLAM 方法的相關(guān)工作。第三節(jié)描述了所提出方法的細(xì)節(jié)，包括強(qiáng)度校準(zhǔn)、特征選擇、里程計(jì)估計(jì)和基于強(qiáng)度掃描上下文 (ISC) 的圖形優(yōu)化。第四部分展示了實(shí)驗(yàn)結(jié)果并與一些現(xiàn)有工作進(jìn)行了比較，然后是第五部分的結(jié)論。

II 相關(guān)工作

大多數(shù)現(xiàn)有的 LiDAR SLAM 工作都集中在環(huán)境的幾何信息上。最流行的點(diǎn)云匹配方法之一的迭代最近點(diǎn) (ICP) 方法，該方法將當(dāng)前點(diǎn)與目標(biāo)幀中的最近點(diǎn)進(jìn)行匹配 [9]。ICP 通過(guò)最小化點(diǎn)對(duì)之間的歐幾里德距離來(lái)迭代地尋找最佳點(diǎn)對(duì)應(yīng)關(guān)系，直到變換矩陣收斂。該算法廣泛用于 SLAM 系統(tǒng)，例如 HDL-Graph SLAM [10] 和 LiDAR-Only 里程計(jì)、定位[11]。然而，所有點(diǎn)都用于計(jì)算，這對(duì)于每次掃描數(shù)萬(wàn)個(gè)點(diǎn)的 LiDAR 來(lái)說(shuō)計(jì)算成本很高。ICP 對(duì)噪聲也很敏感。在自動(dòng)駕駛等實(shí)際應(yīng)用中，測(cè)量噪聲（例如，路邊樹(shù)木的測(cè)量）可能很重要，隨后會(huì)導(dǎo)致定位漂移。一種更健壯且計(jì)算效率更高的方法是利用幾何特征。在 LiDAR Odometry And Mapping (LOAM) [7] 中，通過(guò)分析局部平滑度引入了一種簡(jiǎn)單的特征提取策略。根據(jù)局部平滑度將特征點(diǎn)分割為邊緣特征和平面特征，然后分別通過(guò)邊緣到邊緣和平面到平面的匹配計(jì)算機(jī)器人位姿。類(lèi)似的想法也用于輕型和地面優(yōu)化的 LiDAR 里程計(jì) (LeGO-LOAM) [12]，其目標(biāo)是為無(wú)人地面車(chē)輛 (UGV) 提供計(jì)算效率高的 LiDAR SLAM。激光掃描首先被分割成地面點(diǎn)和非地面點(diǎn)。從地面點(diǎn)提取平面特征，從非地面點(diǎn)提取邊緣特征。平面特征用于估計(jì)滾轉(zhuǎn)和俯仰角以及 z 平移。結(jié)果隨后用于匹配非地面點(diǎn)以計(jì)算 x 和 y 平移以及偏航角。對(duì)于接地機(jī)器人，LeGO-LOAM 實(shí)現(xiàn)了比 LOAM 更高的定位精度。然而，強(qiáng)度信息被忽略，在這些方法中只使用幾何信息。

近年來(lái)，一些工作試圖通過(guò)深度學(xué)習(xí)將強(qiáng)度信息引入 SLAM。在 DeepICP 中，提出了一種基于端到端學(xué)習(xí)的 3D 點(diǎn)云配準(zhǔn)來(lái)尋找機(jī)器人位姿[13]。強(qiáng)度信息和幾何通道都被引入深度特征提取 (DFE) 層以找到關(guān)鍵點(diǎn)。不是搜索最近的點(diǎn)，而是使用對(duì)應(yīng)點(diǎn)生成 (CPG) 層根據(jù)學(xué)習(xí)到的一組候選者之間的匹配概率生成關(guān)鍵點(diǎn)對(duì)應(yīng)關(guān)系，這使得反向傳播成為可能。Deep-ICP 使用 KITTI [14] 和 Apollo-SouthBay 數(shù)據(jù)集 [15] 進(jìn)行了驗(yàn)證，并且優(yōu)于現(xiàn)有方法，例如 Generalized-ICP [16] 和正態(tài)分布變換 (NDT) [17]。Chen等還引入了一個(gè)端到端的 CNN 框架來(lái)識(shí)別后端 SLAM 的兩次激光掃描的重疊 [18]。幾何信息和強(qiáng)度信息通過(guò) 11 層網(wǎng)絡(luò)進(jìn)行訓(xùn)練以生成 3 維特征。通過(guò)對(duì)提取的特征應(yīng)用另一個(gè)較小的層來(lái)估計(jì)重疊，而通過(guò)訓(xùn)練特征的互相關(guān)來(lái)估計(jì)偏航角變化。在 KITTI 數(shù)據(jù)集上的實(shí)驗(yàn)表明，從強(qiáng)度和幾何信息估計(jì)的偏航角優(yōu)于僅基于幾何的深度學(xué)習(xí)框架?；谏疃葘W(xué)習(xí)的方法采用端到端訓(xùn)練，無(wú)需進(jìn)一步分析強(qiáng)度信息。然而，在實(shí)踐中收集、標(biāo)記和訓(xùn)練數(shù)據(jù)通常是困難和耗時(shí)的。此外，環(huán)境變化下的性能可能不一致，即訓(xùn)練后的網(wǎng)絡(luò)可能在與訓(xùn)練數(shù)據(jù)相似的環(huán)境中表現(xiàn)良好，但在轉(zhuǎn)移到另一個(gè)環(huán)境時(shí)會(huì)失敗。

其他的一些工作嘗試使用強(qiáng)度信息并將強(qiáng)度集成到位姿估計(jì)中，而無(wú)需端到端訓(xùn)練。Tian等提出了一種強(qiáng)度輔助 ICP方法，用于 2D-LiDAR 的快速配準(zhǔn) [19]。與傳統(tǒng)的ICP算法相比，引入了目標(biāo)函數(shù)，根據(jù)空間距離和強(qiáng)度殘差確定初始剛體變換估計(jì)。迭代次數(shù)減少了 10 倍，因此所提出的算法能夠在單核CPU 下實(shí)時(shí)運(yùn)行。在 [20] 中，強(qiáng)度模型被合并到稀疏集束調(diào)整 (SBA) [21] 估計(jì)問(wèn)題中。作者分析了強(qiáng)度測(cè)量的物理模型，并提出了一種增強(qiáng) 3D 定位、強(qiáng)度和表面法線的新測(cè)量模型。仿真結(jié)果表明，強(qiáng)度測(cè)量的添加以更少的地標(biāo)實(shí)現(xiàn)了類(lèi)似的 SLAM 精度。這項(xiàng)工作在 [22] 中進(jìn)一步擴(kuò)展，使用飛行時(shí)間 (ToF) 相機(jī)進(jìn)行實(shí)驗(yàn)。關(guān)鍵點(diǎn)是通過(guò)尺度不變特征變換 (SIFT) [23] 或二元穩(wěn)健不變可縮放關(guān)鍵點(diǎn) (BRISK) [24] 從強(qiáng)度假想中提取特征來(lái)選擇和跟蹤的。該實(shí)驗(yàn)主要側(cè)重于通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行的視覺(jué)里程計(jì) (VO)，但并未展示 LiDAR SLAM 在大規(guī)模環(huán)境中的性能。Khan等提出了一種數(shù)據(jù)驅(qū)動(dòng)的方法來(lái)校準(zhǔn)強(qiáng)度信息 [25]。然后通過(guò)最小化點(diǎn)對(duì)的強(qiáng)度殘差而不是幾何殘差來(lái)解決掃描匹配。隨后將其集成到 HectorSLAM [26] 中，與原始 Hector SLAM 相比，顯著降低了漂移誤差。但是，它僅限于小規(guī)模環(huán)境中的 2D 定位和建圖。

III 數(shù)學(xué)模型

所提出的強(qiáng)度框架包括前端激光里程計(jì)和后端閉環(huán)檢測(cè)。系統(tǒng)概述如圖2所示。前端包括強(qiáng)度校準(zhǔn)、特征提取和里程計(jì)估計(jì)，后端包括閉環(huán)檢測(cè)和位姿圖優(yōu)化。

A. Intensity Calibration

激光雷達(dá)****激光束，測(cè)量到達(dá)時(shí)間和反射信號(hào)的能量。物體在傳感器坐標(biāo)中的位置由****角度和距離（即到達(dá)時(shí)間）確定。強(qiáng)度值由從反射信號(hào)接收的能量與****的激光功率之比確定。接收功率Pr的物理原理可確定為[21]：

其中Pe是****激光束的功率，Dr是接收器孔徑，ηsys是系統(tǒng)****因子，ηatm是大氣****因子，α是物體表面與激光束之間的入射角，ρ是物體的材料反射率。測(cè)量距離R和入射角α為外部參數(shù)。而ηsys和ηatm是常數(shù)參數(shù)。因此，強(qiáng)度測(cè)量I由[21]確定：

其中，ηall是一個(gè)常數(shù)。因此，表面反射率ρ僅與入射角α和測(cè)量距離R通過(guò)：

對(duì)于激光雷達(dá)掃描，該距離可以很容易地測(cè)量到。因此，可以通過(guò)分析局部法線來(lái)估計(jì)入射角。對(duì)于每個(gè)點(diǎn)p∈P3，我們可以搜索最近的兩點(diǎn)p1和p2，以便局部表面法線n可以表示為：

因此，我們可以從具有幾何讀數(shù)P和強(qiáng)度讀數(shù)I的原始掃描中推導(dǎo)出校準(zhǔn)強(qiáng)度掃描I?，特別是在一些傳感器中默認(rèn)使用距離測(cè)量部分校準(zhǔn)，因此我們只將校準(zhǔn)應(yīng)用于入射角度。此外，低強(qiáng)度值往往會(huì)導(dǎo)致較低的信噪比(SNR)，這也降低了在低值[27]下進(jìn)行強(qiáng)度測(cè)量的測(cè)距精度。低強(qiáng)度的點(diǎn)在實(shí)踐中被忽略了。

B. Salient Point Selection and Feature Extraction

激光雷達(dá)掃描通常由數(shù)萬(wàn)個(gè)點(diǎn)組成。使用ICP等原始點(diǎn)云匹配方法的計(jì)算效率較低。此外，原始數(shù)據(jù)包含自動(dòng)駕駛從路邊樹(shù)木上測(cè)量的點(diǎn)，這將降低匹配精度。因此，將點(diǎn)云與[7]，[13]特征相匹配更健壯和計(jì)算效率。本文使用了基于幾何形狀和強(qiáng)度信息的特征，而不是只使用幾何形狀的特征。校準(zhǔn)的強(qiáng)度信息包含揭示不同物體分布的環(huán)境的反射率輪廓。因此，強(qiáng)度信息也有助于識(shí)別在多個(gè)幀中的相同特征。對(duì)于點(diǎn)Pi∈P及其強(qiáng)度值ηi?∈i?，我們搜索附近的Ni∈P，并計(jì)算局部距離分布σgi和強(qiáng)度分布σIi通過(guò)：

其中，wg和wI分別是幾何形狀和強(qiáng)度分布的權(quán)重。請(qǐng)注意，對(duì)于墻等平面，平滑度值較小；而對(duì)于拐角點(diǎn)或邊緣點(diǎn)，平滑度值較大。因此，對(duì)于每次掃描，邊緣特征從大σ點(diǎn)中選擇Pε∈P，并從低σ點(diǎn)中選擇平面特征Ps∈P。

C. Intensity Map Building

強(qiáng)度地圖M包含了周?chē)h(huán)境的反射率分布。對(duì)于大多數(shù)只有幾何的SLAM，地圖通過(guò)占用網(wǎng)格[28]或Octomap [29]維護(hù)和更新。三維空間被分割成網(wǎng)格單元，每個(gè)單元都由一個(gè)概率函數(shù)表示。類(lèi)似的想法可以用于構(gòu)造和更新一個(gè)強(qiáng)度圖。我們使用強(qiáng)度測(cè)量I(ηi|z1:t)來(lái)表示每個(gè)網(wǎng)格單元mi[26]，而不是概率函數(shù)。更具體地說(shuō)，對(duì)于時(shí)間t觀察網(wǎng)格單元，表面反射率可以通過(guò)：

其中M(mi|z1:t)是當(dāng)前的強(qiáng)度觀測(cè)值，nmi是對(duì)mi的總觀測(cè)次數(shù)。要注意，如果網(wǎng)格不包含對(duì)象，則強(qiáng)度將標(biāo)記為0，因?yàn)闆](méi)有反射信號(hào)。

D. Scan to Map Matching

激光里程計(jì)是估計(jì)當(dāng)前幀到全局圖之間的變換矩陣T∈SE(3)的任務(wù)。通過(guò)最小化幾何誤差和強(qiáng)度誤差來(lái)計(jì)算最佳位姿估計(jì)：

1)幾何殘差：與LOAM[7]類(lèi)似，通過(guò)將當(dāng)前邊緣和平面特征與全局地圖匹配來(lái)計(jì)算幾何誤差。它可以通過(guò)最小化點(diǎn)到邊和點(diǎn)到平面的殘差來(lái)實(shí)現(xiàn)。給定邊緣特征 pi∈Pε和變換點(diǎn) p?i = Tpi，我們可以從全局地圖中搜索兩個(gè)最近的點(diǎn) pε1 和 pε2。點(diǎn)到邊殘差定義為：

2)強(qiáng)度殘差：將特征與強(qiáng)度圖匹配計(jì)算強(qiáng)度殘差。可以通過(guò)最小化當(dāng)前點(diǎn)pi（包括邊緣特征和平面特征）與強(qiáng)度圖中的轉(zhuǎn)換點(diǎn)p?i之間的強(qiáng)度殘差來(lái)實(shí)現(xiàn)：

其中M(p?i)是強(qiáng)度圖M中的點(diǎn)強(qiáng)度值，為了在強(qiáng)度圖中搜索強(qiáng)度信息，我們引入了三線性插值。雖然用最近的網(wǎng)格單元來(lái)表示強(qiáng)度更直接，但強(qiáng)度信息不太精確，特別是對(duì)于網(wǎng)格分辨率較低的大尺度建圖。對(duì)于每個(gè)轉(zhuǎn)換點(diǎn)p?i=[xi，yi，zi]T，我們可以找到周?chē)陌藗€(gè)網(wǎng)格單元。如圖3所示，這些網(wǎng)格單元的強(qiáng)度測(cè)量結(jié)果標(biāo)注為M1（p?i）、M2（p?i）、……、M8（p?i）。使單元1的中心位置（最接近原點(diǎn)）為p1=[x1、y1、z1]T，并且單元8的中心位置（離原點(diǎn)最遠(yuǎn)）為p2=[x2、y2、z2]T，其中x2?x1、y2?y1和z2?z1分別為每個(gè)網(wǎng)格單元的寬度、高度和深度。目標(biāo)點(diǎn)的強(qiáng)度估計(jì)計(jì)算為：

同樣地，我們也可以推導(dǎo)出M34、M56和M78。

3)位姿估計(jì)：可通過(guò)最小化幾何殘余和強(qiáng)度殘余來(lái)估計(jì)最終位姿：

它可以用LM算法[30]來(lái)求解。注意，通過(guò)假設(shè)恒定的角速度和線速度，相比假設(shè)相同的變換矩陣可以增加收斂速度。

E. Loop Closure Detection & Global Optimization

閉環(huán)檢測(cè)的目標(biāo)是從歷史數(shù)據(jù)中識(shí)別出重新訪問(wèn)的場(chǎng)景。對(duì)于僅前端的 SLAM 系統(tǒng)，不可避免地會(huì)出現(xiàn)測(cè)量噪聲的漂移。為了減少定位漂移，后端 SLAM 通過(guò)識(shí)別相同的位置來(lái)回環(huán)檢測(cè)。我們使用關(guān)鍵幀選舉來(lái)減少檢索時(shí)間，因?yàn)殚]環(huán)檢測(cè)的計(jì)算成本通常很高。關(guān)鍵幀的選擇基于以下標(biāo)準(zhǔn)：(1) 機(jī)器人的位移是顯著的，即大于預(yù)先定義的閾值；(2)旋轉(zhuǎn)角度變化顯著；(3)經(jīng)過(guò)的時(shí)間超過(guò)一定時(shí)間。對(duì)于大規(guī)模環(huán)境，閾值設(shè)置得更高以降低計(jì)算成本。所有關(guān)鍵幀都存儲(chǔ)在后端維護(hù)的位姿圖中。

對(duì)于每個(gè)關(guān)鍵幀，我們使用強(qiáng)度掃描上下文 (ISC) [9] 將當(dāng)前幀提取為全局簽名。與 GLAROT3D [31]、NBLD [32] 和掃描上下文 [33] 等僅幾何描述符相比，ISC 在識(shí)別回環(huán)閉合時(shí)對(duì)旋轉(zhuǎn)變化具有魯棒性。ISC 是一個(gè)二維矩陣，通過(guò)將極坐標(biāo)在方位角和徑向方向上等分為 Ns 個(gè)扇區(qū)和 Nr 個(gè)環(huán)來(lái)計(jì)算。每個(gè)子空間由區(qū)域內(nèi)點(diǎn)的最大強(qiáng)度表示。給定一個(gè)關(guān)鍵幀，我們可以從強(qiáng)度和幾何信息中提取 ISC 描述符Ω。為了將查詢(xún) ISC 描述符Ωq與候選 ISC 描述符Ωc進(jìn)行比較，讓 Vqi 和 Vci 是 Ωq和Ωc 的第 i 列。相似度分?jǐn)?shù)φ(Ωq,Ωc) 是通過(guò)取每個(gè)扇區(qū)的平均余弦距離來(lái)找到的：

可以通過(guò)在φ(Ωq,Ωc)上設(shè)置一個(gè)閾值來(lái)確定回環(huán)檢測(cè)。

回環(huán)檢測(cè)能夠有效地識(shí)別環(huán)路對(duì)。然而，錯(cuò)誤檢測(cè)會(huì)導(dǎo)致位姿圖優(yōu)化失敗。為了防止誤報(bào)，使用幾何一致性驗(yàn)證來(lái)檢查候選幀的相似性。對(duì)于候選循環(huán)幀，我們從全局地圖中搜索附近的線和平面信息。并且對(duì)于當(dāng)前幀，通過(guò)最小化點(diǎn)到邊緣和點(diǎn)到平面的距離來(lái)提取邊緣和平面特征并將其匹配到相應(yīng)的全局線和平面。當(dāng)兩幀不相關(guān)時(shí)，距離的總和通常很高。因此，可以通過(guò)對(duì)其設(shè)置閾值來(lái)過(guò)濾掉誤報(bào)。確定重新訪問(wèn)的位置后，我們可以將兩幀之間的邊添加到位姿圖中，并且可以應(yīng)用全局優(yōu)化來(lái)校正漂移[34]。

IV 實(shí)驗(yàn)評(píng)估

B. Evaluation Metric

為了評(píng)估定位的準(zhǔn)確性，我們使用平均平移誤差(ATE)和平均旋轉(zhuǎn)誤差(ARE)[15]：

實(shí)驗(yàn)結(jié)果：

1）在KITTI數(shù)據(jù)集上研究結(jié)果。從左到右為序列00、02、05、07和09。強(qiáng)度-SLAM的結(jié)果為綠色，參考值為紅色。

2）KITTI數(shù)據(jù)集中05序列多種方法的對(duì)比

3）數(shù)據(jù)集上強(qiáng)度輔助方法和非強(qiáng)度輔助方法的結(jié)果分析

4）KITTI數(shù)據(jù)集中05序列上不同方法的性能比較

5）我們?cè)趥}(cāng)庫(kù)環(huán)境中的實(shí)際機(jī)器人上測(cè)試我們的方法的性能。圖6(a)為實(shí)物圖；圖6(b)為SLAM結(jié)果，將機(jī)器人的軌跡繪制為紅色。

V 結(jié)論

本文中，我們?yōu)榛?LiDAR 的定位系統(tǒng)提出了一種新穎的強(qiáng)度輔助完整 SLAM 框架。現(xiàn)有方法主要利用僅依靠幾何特征來(lái)估計(jì)位置并忽略強(qiáng)度信息。我們從強(qiáng)度測(cè)量的物理模型開(kāi)始，并說(shuō)明強(qiáng)度信息的使用。我們引入了用于位姿估計(jì)的強(qiáng)度圖和強(qiáng)度殘差，以提高定位精度。此外，我們提出了一個(gè)由前端和后端系統(tǒng)組成的完整 SLAM 結(jié)構(gòu)，即 Intensity-SLAM。在不同場(chǎng)景下進(jìn)行了實(shí)驗(yàn)，包括倉(cāng)庫(kù)中的室內(nèi) AGV 和市區(qū)的室外自動(dòng)駕駛。實(shí)驗(yàn)結(jié)果表明，通過(guò)集成強(qiáng)度信息，定位精度得到顯著提高。與最先進(jìn)的僅依靠幾何方法相比，所提出的方法還實(shí)現(xiàn)了較低的平移誤差和旋轉(zhuǎn)誤差。