一项研究图优化SLAM方法中3D LiDAR分辨率的影响

同步定位与建图（SLAM）是自动化系统的关键组成部分，这些系统在需要一致性的地图以实现可靠定位的环境中运行，SLAM是一个研究广泛的话题，几十年来大多数解决方案基于相机或LiDAR。早期的LiDAR方法主要依赖于2D数据，而最近的框架则使用3D数据。在这项工作中，我们调查了近年来基于3D LiDAR的图优化SLAM方法，特别是在城市环境中的应用，旨在比较它们的优点、缺点和局限性。此外还评估了LiDAR分辨率的鲁棒性，特别是64线与128线之间的差异。评估的SLAM方法包括SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和HDL-Graph，使用KITTI里程计数据集（仅包含64通道LiDAR）和一个新数据集（AUTONOMOS-LABS）进行实地城市环境测试。后者数据集是通过在柏林郊区地区行驶的仪器化车辆收集的，包含64线和128线的LiDAR数据。实验结果以定量‘指标’的形式报告，并辅以定性地图。

在这项工作中提供了近年来基于3D LiDAR的图优化SLAM方法在城市环境中的调查，旨在比较它们在不同扫描分辨率下的优缺点和局限性。图1概述了图优化SLAM方法的关键模块。具体而言评估了SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和 HDL-Graph SLAM。为了在现实条件下评估这些方法，我们报告了使用KITTI里程计数据集和AUTONOMOS-LABS数据集的实验结果。后者是一个最近在柏林郊区收集的数据集，包含使用64束和128束传感器捕获的3D LiDAR数据，突出了评估不同传感器分辨率的重要性，以了解它们对SLAM性能的影响。

图1：代表性LiDAR图优化SLAM框架示例

这项工作专注于基于图优化的LiDAR-SLAM方法，特别研究传感器分辨率对姿态和地图估计的影响。基于图优化的SLAM通常涉及两个主要模块：前端模块，通过扫描里程计估计姿态和地图；后端模块，通过使用基于图优化的全局优化（如Ceres、g2o、GTSAM等库）来优化姿态和地图。

在前端模块中，一个关键组件是LiDAR点云配准，它通过最小化一对点云之间的对齐误差来计算刚性变换。这可以通过迭代方法来实现，例如正态分布变换NDT、随机采样一致性（RANSAC），或迭代最近点（ICP）算法及其变种。基于ICP的配准是这些方法中最流行的，可以表述为点对点、点对平面或点对法线的关联问题。点对点ICP最小化对应点之间的距离，点对平面ICP最小化点与平面之间的距离，点对法线ICP考虑表面法线的对齐，这在某些情况下可以改善收敛性。然而对完整的点云进行配准是计算密集型的。为了解决这一问题，最近的SLAM方法使用特征提取来识别鲁棒的关键点，从而减少参与配准过程的点数。例如，最先进的（SOTA）方法如LOAM 、LeGO-LOAM和 LIO-SAM从原始输入扫描中提取边缘和平面特征。

在后端模块中，基于图优化的SLAM的一个重要方面是回环检测（LCD）。LCD识别重复访问的区域，向姿态图添加约束，并提高地图的一致性，LCD对减少SLAM系统中的漂移至关重要，因为它通过利用之前访问过的位置来纠正累积误差，从而优化整体地图和姿态估计。在一些文献中，这也被称为地点识别，它涉及基于来自周围环境的视觉、结构或语义特征来识别之前访问过的位置。通过将当前的传感数据与过去的观测进行比较，系统可以识别匹配的特征或相似性。当检测到回环时，系统使用这些信息来纠正和更新全局地图，从而提高SLAM解决方案的整体准确性。

图优化SLAM框架和数据集

本研究专注于基于图优化的SLAM方法。在多个最先进的（SOTA）方法中，我们选择了Cartographer、SC-LIO-SAM、SC-LeGO-LOAM和HDL-Graph SLAM，原因在于它们在不同应用中的广泛采用。这些方法之所以被选中，是因为它们具有独特的特点：Cartographer在2D和3D地图构建中的高效性，SC-LIO-SAM将LiDAR和IMU数据结合以提高精度，SC-LeGO-LOAM的实时特征提取能力，以及HDL-Graph SLAM对高分辨率LiDAR数据的适应性。这些方法遵循一个共同的结构，包含四个关键组件：初始扫描对齐、后续姿态优化、已访问位置的检测以及地图构建。初始扫描对齐涉及对连续的LiDAR扫描进行对齐，以建立车辆运动的初步估计。后续的姿态优化通过最小化对齐误差来细化这一估计，并确保轨迹的一致性。已访问位置的检测，也叫回环检测，有助于通过识别车辆何时返回已知位置来减少漂移。最后，地图构建使用精炼后的姿态估计来创建环境的准确表示。图1展示了一个基于图优化的SLAM流程示例。

为了评估这些算法，使用了KITTI VISION基准测试和AUTONOMOS-LABS数据集。KITTI数据集包含在不同城市环境中捕获的点云数据，使用的是车载Velodyne HDL-64E S2 LiDAR和IMU（OXTS RT 3003）。AUTONOMOS-LABS数据集是使用Velodyne HDL-64和VLS-128 LiDAR收集的。AUTONOMOS-LABS数据集序列的结果是没有使用IMU生成的，因为数据质量较差。这一限制可能影响了姿态估计的准确性，因为IMU数据通常用于提供车辆的方向和运动的附加信息，帮助减少漂移并提高整体SLAM性能。除Cartographer外，我们仅使用LiDAR数据（即不使用IMU数据）对算法进行了测试，以研究不同LiDAR分辨率对SLAM的影响。表II总结了在AUTONOMOS-LABS数据集中使用的64束和128束LiDAR传感器之间的主要差异。

实现细节

各个方法的实现是基于它们的开源代码和默认参数，唯一的例外是：对于Cartographer，我们配置了Ceres扫描匹配器，因为在使用默认的扫描匹配器处理KITTI数据集时，旋转结果较差。Ceres扫描匹配器是一个基于优化的扫描匹配库，在处理复杂旋转和非线性时提供了更好的精度，这也是选择它来替代默认扫描匹配器的原因。所有实验都在一台运行Ubuntu 20.04 LTS和ROS Noetic的机器上进行，ROS包的频率为0.01 Hz，以确保每一帧都被处理，同时算法按照其默认参数进行配置，如表I所示。

实验结果

1. KITTI数据集 ：基于特征的算法SC-LIO SAM和SC-LeGO-LOAM (SC-LL)在整个数据集上表现稳定，其中SC-LIO SAM略有优势。计算成本与性能之间的权衡使得这两种方法在实际应用中都具有可行性。Cartographer虽然取得了合理的结果，但由于无法生成3D地图且依赖于高频率IMU数据，存在一定的局限性。HDL-Graph SLAM是唯一一种使用原始点云扫描匹配而不提取特征的方法，在所有轨迹中实现了最准确的扫描匹配（即较低的RPE）。然而，由于缺乏更强大的回环闭合算法，最终结果不如其他方法。

图2：KITTI里程计数据集上的估计路径

在回环闭合检测方面，HDL-Graph SLAM与其他算法差异不大，但检测到的正确回环较少，尤其与SC-LeGO LOAM相比。一旦回环被识别，SC-LeGO LOAM能够通过立即修正路径，将轨迹精确对齐到地面真值。这一点在KITTI序列00的末尾可以观察到，此时HDL-Graph SLAM未能完成回环。对于KITTI序列07（最短轨迹），HDL-Graph SLAM实现了最佳的ATE和RTE，但仍未能在末尾识别回访位置，导致回环未闭合。相比之下，其他所有算法都成功完成了回环。对于KITTI序列05和08，Cartographer的表现优于SC-LeGO LOAM和SC-LIO SAM（如图2所示），提供了合理的轨迹估计。Cartographer的主要限制是无法生成3D地图，尽管它能够估算6自由度（6-DoF）的姿态。

在扫描匹配性能方面，SC-LIO SAM和Cartographer表现相当。SC-LIO SAM在旋转性能上的优势可归因于它将IMU数据作为前端组件与LiDAR里程计结合使用。IMU提供的精确朝向数据使得SC-LIO SAM优于其他方法。HDL-Graph SLAM未能完成回环闭合并防止偏离地面真值。相比之下，其他三种算法成功识别了回环并相应地修正了轨迹。

2. AUTONOMOS-LABS数据集 ：图3展示了具有多个回访的序列，表IV报告了AUTONOMOS-LABS数据集上的性能结果。在这些序列中，HDL-Graph SLAM的轨迹偏离地面真值最大。另一方面，SC-LeGO LOAM和SC-LIO SAM展示了较高的回环检测率。然而，由于显著的漂移，在序列00中，轨迹的较低部分与地面真值重叠。漂移使得算法无法完美对齐参考轨迹，尽管它成功地避免了进一步偏离重复回环。序列22的情况类似，但有所不同：HDL-Graph SLAM在序列22中的表现优于序列00，而SC-LeGO LOAM和SC-LIO SAM的精度有所下降。

图3：AUTONOMOS-LABS数据集上的估计路径

序列25的分析（图3所示，使用128光束LiDAR获取）显示，HDL-Graph SLAM和SC-LeGO LOAM几乎立即在直线段上开始漂移。长段中缺乏明显特征或回访位置，表明算法无法在配准过程中补偿累积误差，导致漂移逐渐增大。在这种情况下，图优化效果不佳。SC-LeGO LOAM和SC-LIO SAM的关键区别在于点云配准。SC-LIO SAM在配准过程中使用了点云去畸变技术，这在处理直线段时特别有利。此外，SC-LIO SAM和SC-LeGO LOAM中存在的场所识别模块有助于在这两个序列中提高性能。序列55中，HDL-Graph SLAM表现出显著的误差累积，未能始终与序列重叠，继续漂移远离参考轨迹。SC-LIO SAM的平均ATE较低，显示出比SC-LeGO LOAM更精确的表现。尽管HDL-Graph SLAM实现了最低的RTE，但由于缺乏强大的回环闭合检测算法，它未能超越其他方法。HDL-Graph SLAM在所有序列中的扫描匹配精度优于其他方法，与KITTI数据集的结果相似。这可以归因于HDL-Graph SLAM在配准过程中使用了更多的点（使用FAST GICP），而其他方法则采用基于特征的方法（边缘和角点特征）。

3. 扫描分辨率和配准时间 ：SC-LIO SAM、SC-LeGO LOAM和HDL-Graph SLAM之间的配准过程有所不同。与HDL-Graph SLAM直接在原始密集点云上进行配准不同，SC-LIO SAM和SC-LeGO LOAM采用球面图像投影后进行特征提取和扫描之间的关联。由于图像投影和特征关联模块在不同线程中运行，这些算法的配准时间由数据提取和关联所需的时间决定。结果见表V。如前所述，HDL-Graph SLAM在所有序列中表现优异，但由于配准中使用了更多点，导致计算时间较长。另一个值得注意的观察是，随着从64通道LiDAR到128通道LiDAR的分辨率增加，配准时间大约增加了两倍，这与预期的分辨率翻倍所导致的匹配时间增加相符。这种增加的配准时间意味着更高的计算负担，在计算能力有限或对实时响应有严格要求的场景中，可能会限制其应用。HDL-Graph SLAM在128通道LiDAR上的配准时间约为100ms。

基于实际数据集的实验结果表明，SC-LIO SAM和Cartographer整体上取得了相当好的结果。此外，基于定量和定性的比较，SC-LIO SAM和Cartographer在所有序列中都表现出了显著的性能。SC-LeGO LOAM和SC-LIO SAM都能够在需要时检测到回访地点，从而防止系统发生漂移。正如之前所述，HDL-Graph具有最佳的扫描匹配性能，主要得益于其在密集原始点云上的操作，但由于缺乏强大的地点识别模块，导致在图优化过程中无法补偿误差。由于缺少IMU数据源，Cartographer在FU-Berlin数据集和KITTI序列00中的结果无法得出，然而，Cartographer在ATE上仅比SC-LIO略逊一筹。全局描述符——即扫描上下文（Scan Context）——是SC-LeGO LOAM和SC-LIO SAM的关键组成部分，因为它在地点识别方面非常有效，这对于这些方法在偏离地面真值时及时识别正确路径至关重要。