每天一分钟，带你读遍机器人顶级会议文章
标题：GCLO: Ground Constrained LiDAR Odometry with Low-drifts for GPS-denied Indoor Environments
作者：Xin Wei, Jixin Lv, Jie Sun, Erbao Dong, Shiliang Pu
来源：2022 IEEE International Conference on Robotics and Automation (ICRA)
编译：许士林
审核：Zoe，王靖淇
这是泡泡一分钟推送的第 975 篇文章，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
如今，激光雷达被广泛应用于同步定位与建图(SLAM)和高清(HD)地图制作中。激光雷达里程计(LO)的准确性是非常重要的，特别是在没有GPS的环境中。然而，我们发现典型的LO结果在地下停车场中容易沿垂直方向漂移，最终导致建图结果较差。本文提出了一种地面约束LO方法称为GCLO，它利用这些特定环境中的水平地面来降低垂直位姿漂移。GCLO分为三个部分。首先，维护一个以传感器为中心的滑动地图，再运用点到面的ICP方法执行scan-to-map准配。然后，在每个关键帧处，将滑动地图记录为局部地图。附近的地面点被分割，并以“最近点”(CP)参数化的形式建模为平面地标。最后，将不同关键帧观测到的平面地面地标进行关联。将地面地标观测约束融合到位姿图优化框架中，以提高LO性能。HIK和KITTI数据集的实验结果证明了GCLO在室内多层停车场和平坦的户外场地的精度方面的优越性能。本文还讨论了GCLO在适应其他环境方面的局限性。
图1 建图结果接地点与拟合接地面之间的距离俯视图。(a)车辆在地下停车场地平面上移动时，LO结果向上漂移。因此，拼装的地面扭曲成一个向上的碗状。(b)融合地面观测约束后，拼装地面变得平坦。
图3 地面对应估计时的帧和转换，红线表示停车场的多层连接。
图5 地下多层停车场GCLO测绘点侧视图，颜色编码高度。最好用彩色观看。
图6 KITTI序列09的真实地面点侧视图，颜色编码高度。最好用彩色观看
图7 KTI和KTII子集中的轨迹。黑色虚线轨迹对应KITTI提供的地面真实轨迹，绿色对应我们接近的GCLO。部分序列被旋转以节省空间。最好用彩色观看。
Abstract
LiDAR is widely adopted in Simultaneous Localization And Mapping (SLAM) and High Definition (HD) map production. The accuracy of LiDAR Odometry (LO) is of great importance, especially in GPS-denied environments. However, we found typical LO results are prone to drift upwards along the vertical direction in underground parking lots, leading to poor mapping results. This paper proposes a Ground Constrained LO method named GCLO, which exploits planar grounds in these specific environments to compress the vertical pose drifts. GCLO is divided into three parts. First, a sensor-centric sliding map is maintained, and the point-to-plane ICP method is implemented to perform the scan-to-map registration. Then, at each key-frame, the sliding map is recorded as a local map. Ground points nearby are segmented and modeled as a planar landmark in the form of Closest Point (CP) parameterization. Finally, planar ground landmarks observed at different key-frames are associated. The ground landmark observation constraints are fused into the pose graph optimization framework to improve the LO performance. Experimental results in HIK and KITTI datasets demonstrate GCLO’s superior performances in terms of accuracy in indoor multi-floor parking lots and flat outdoor sites. The limitation of GCLO in adaptability for other environments is also discussed.
如果你对本文感兴趣，请点击点击阅读原文下载完整文章，如想查看更多文章请关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。
百度网盘提取码：gbxe
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/bbs/
泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！
