权威总结！3D激光雷达分辨率对SLAM的影响有多大？

0. 论文信息

标题：Impact of 3D LiDAR Resolution in Graph-based SLAM Approaches: A Comparative Study

作者：J. Jorge, T. Barros, C. Premebida, M. Aleksandrov, D. Goehring, U.J. Nunes

机构：University of Coimbra、Universitat Greifswald、Freie Universitat Berlin

原文链接：https://arxiv.org/abs/2410.17171

1. 导读

同步定位和地图创建(SLAM)是自主系统的一个关键组成部分，在这种环境中，需要一致的地图来实现可靠的定位。SLAM几十年来一直是一个广泛研究的主题，大多数解决方案都是基于相机或激光雷达的。早期基于激光雷达的方法主要依赖于2D数据，而最近的框架使用3D数据。在这项工作中，我们调查了最近在城市环境中基于3D激光雷达的Graph-SLAM方法，旨在比较它们的优势、劣势和局限性。此外，我们评估了他们的激光雷达分辨率的鲁棒性，即64vs128个频道。关于SLAM方法，我们使用KITTI里程计数据集(只有64个通道的激光雷达)和新数据集(AUTONOMOS-LABS)在真实世界的城市环境中评估了SC-LeGO-LOAM, SC-LIO-SAM, Cartographer, and HDL-Graph。后一个数据集是使用在柏林郊区行驶的装有仪器的车辆收集的，包括64个和128个激光雷达。实验结果以定量“度量”的形式报告，并辅以定性图。

2. 引言

同时定位与地图构建（SLAM）是自主系统在需要度量地图以实现可靠定位的环境中运行的关键组件。

几十年来，SLAM已被广泛研究，早期的基于激光雷达（LiDAR）的方法主要依赖于二维（2D）数据，而最近的技术进步则利用三维（3D）数据来提高准确性和鲁棒性。

智能和自动驾驶车辆（AV），包括自主机器人，已日益融入我们的日常生活，并被部署在各种应用中，如交通、快递服务、农业、监控和工业自动化。历史上，移动机器人通常仅限于执行重复或预定的任务。然而，技术的进步已显著改变了这一观念。人工智能（AI）、最新传感器技术（如3D激光雷达）以及计算资源的增加，使机器人和自动驾驶车辆能够在现实环境中自主导航。此外，SLAM和定位系统的进步也进一步提高了它们的可靠性。

在SLAM中，配备车载传感器的机器人或车辆会估计其当前位置，同时构建周围环境的地图。车辆的位置和姿态（位置和方向）提供了其当前状态的全面描述，而地图则是对相关元素的选择性描绘，如障碍物和地标的位置，这些元素描述了机器人的运行环境。SLAM技术通常可分为三种主要类型：基于视觉的，基于激光雷达的，以及视觉-激光雷达融合、。早期的基于激光雷达的方法主要利用2D数据，而更近的方法则利用3D数据来提高性能。

在本文中，我们对城市环境中的最新3D激光雷达（LiDAR）基于图的SLAM方法进行了调查，目的是比较它们在不同扫描分辨率下的优点、缺点和局限性。

具体而言，我们评估了SC-LeGO-LOAM、SC-LIOSAM、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。后者是在柏林郊区收集的最新数据集，包含使用64线和128线传感器捕获的3D激光雷达数据，强调了评估不同传感器分辨率以了解其对SLAM性能影响的重要性。

3. 图SLAM框架和数据集

如前所述，本文专注于基于图的SLAM方法。在几种最优方法（SOTA）中，我们选择了Cartographer、SC-LIO SAM、SC-LeGO LOAM和HDL-Graph SLAM，因为它们在各种应用中得到了广泛应用。这些方法因其独特功能而被选中：Cartographer在2D和3D映射方面的效率、SC-LIO SAM将激光雷达和惯性测量单元（IMU）数据相结合以提高准确性、SC-LeGO LOAM的实时特征提取以及HDL-Graph SLAM对高分辨率激光雷达数据的适用性。这些方法遵循一个共同的结构，包括四个关键组件：初始扫描对齐、后续姿态优化、先前访问位置的检测和地图构建。初始扫描对齐涉及对齐连续的激光雷达扫描，以建立车辆运动的初步估计。后续姿态优化通过最小化对齐误差并确保轨迹的一致性来完善这一估计。先前访问位置的检测（也称为回环检测）有助于通过识别车辆返回已知位置的时间来减少漂移。最后，地图构建使用完善后的姿态估计来创建环境的准确表示。图1展示了基于图的SLAM流程的一个示例。 推荐课程： 对于3D激光SLAM，LeGo-LOAM到底有多重要？

为了评估算法，我们使用了KITTI VISION基准和AUTONOMOS-LABS数据集。KITTI数据集包含使用车载Velodyne HDL-64E S2激光雷达和IMU（OXTS RT 3003）在各种城市环境中捕获的点云。AUTONOMOS-LABS数据集是使用Velodyne HDL-64（序列00和22）和VLS-128激光雷达（序列25和55）收集的。由于数据质量不佳，从AUTONOMOS-LABS数据集序列获得的结果是在未使用IMU的情况下生成的。这一局限性可能影响了姿态估计的准确性，因为IMU数据通常用于提供有关车辆方向和运动的额外信息，有助于减少漂移并提高SLAM的整体性能。除Cartographer外，我们仅使用激光雷达数据（即不使用IMU数据）测试了算法，以研究不同激光雷达分辨率对SLAM的影响。表II总结了AUTONOMOS-LABS数据集中使用的64线和128线激光雷达传感器之间的主要差异。

4. 评估结果

各个方法均使用其开源代码和默认参数进行实现，但有一个例外：对于Cartographer，我们配置了Ceres扫描匹配器，因为在KITTI数据集上使用默认扫描匹配器时旋转结果不佳。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方面提供更高的准确性，因此选择它来代替默认扫描匹配器。

所有实验均在搭载Ubuntu 20.04 LTS和ROS Noetic的计算机上进行，ROS数据包速率为0.01 Hz，以确保处理每一帧，并且算法根据表I中所示的默认参数进行配置。

实验结果如表III和表IV所示。

KITTI数据集： 基于特征的算法SC-LIO SAM和SC-LeGO-LOAM（SC-LL）在两个数据集上表现一致，其中SC-LIO SAM略占优势。计算成本和性能之间的权衡使这两种方法在实际应用中均可行。Cartographer虽然取得了合理的结果，但受限于无法生成3D地图以及对高频IMU数据的依赖。HDL-Graph SLAM是唯一使用原始点云扫描匹配而不进行特征提取的方法，在所有轨迹中实现了最准确的扫描匹配（即更低的RPE）。然而，由于缺乏更稳健的回环检测算法，其总体结果并不理想。在回环检测方面，HDL-Graph SLAM与其他方法相比并无显著差异，但与SC-LeGO LOAM相比，其检测到的正确回环较少。一旦检测到回环，SC-LeGO LOAM能够立即纠正其路径，从而准确地将轨迹与真实情况对齐。这可以在KITTI序列00的末尾观察到，其中HDL-Graph SLAM未能完成回环。在KITTI序列07（最短的轨迹）中，HDL-Graph SLAM的ATE（绝对轨迹误差）和RTE（相对轨迹误差）最佳，但仍未能在末尾识别出重访位置，导致回环未闭合。相比之下，所有其他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），产生了合理的轨迹估计。Cartographer的主要限制是无法生成3D地图，尽管它估计了6自由度（6-DoF）姿态。

在扫描匹配性能方面，SC-LIO SAM和Cartographer表现出相当的性能。SC-LIO SAM在旋转方面的优越性能可归因于其将IMU数据作为前端组件与激光雷达里程计一起使用。IMU提供的精确方向数据使SC-LIO SAM优于其他方法。HDL-Graph SLAM无法闭合回环并防止真实情况中的漂移。相比之下，其余三种算法成功识别了回环并相应地纠正了轨迹。

AUTONOMOS-LABS数据集：图3展示了具有多次重访的序列，而表IV报告了AUTONOMOS-LABS数据集上的性能结果。在这些序列中，HDL-Graph SLAM与真实轨迹的偏差最大。另一方面，SC-LeGO LOAM和SC-LIO SAM表现出较高的回环检测率。然而，由于显著的漂移，在序列00中，只有轨迹的下半部分与真实情况重叠。漂移导致算法无法与参考轨迹完美对齐，尽管它设法没有进一步偏离重复的回环。对于序列22，可以观察到类似的情况，但略有不同：HDL-Graph SLAM的性能相比序列00有所改善，而SC-LeGO LOAM和SC-LIO SAM的准确性有所下降。

对图3中所示的序列25（使用128线激光雷达获得）的分析显示，HDL-Graph SLAM和SC-LeGO LOAM几乎立即在直线段上开始漂移。由于该长直线段上缺乏明显的特征或重访位置，算法无法补偿注册过程中累积的误差，导致漂移逐渐增加。在这种情况下，图优化证明是无效的。SC-LeGO LOAM和SC-LIO SAM之间的关键区别在于点云注册。SC-LIO SAM在注册过程中利用点云去斜变技术，这种技术在处理直线段时特别有利。此外，SC-LIO SAM和SC-LeGO LOAM中存在位置识别模块，有助于在这两个序列中提高性能。在序列55中，HDL-Graph SLAM出现了显著的误差累积，无法一致地重叠序列，并继续偏离参考轨迹。SC-LIO SAM的平均ATE更低，表明其性能相比SC-LeGO LOAM更准确。尽管HDL-Graph SLAM的RTE最低，但由于缺乏稳健的回环检测算法，它无法超越其他方法。

扫描分辨率和注册时间： SC-LIO SAM、SC-LeGO LOAM和HDL-Graph SLAM的注册过程有所不同。与直接在原始密集点云上进行注册的HDL-Graph SLAM不同，SC-LIO SAM和SC-LeGO LOAM使用球面图像投影，然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的线程中运行，这些算法的注册时间由数据提取和关联所需的时间决定。结果如表V所示。如前所述，HDL-Graph SLAM在所有序列中均表现出卓越的性能，但代价是注册过程中使用的点数较多，导致计算时间增加。另一个值得注意的观察结果是，从64线激光雷达到128线激光雷达，注册时间有所增加。对于SC-LIO SAM和SC-LeGO LOAM，这种增加大约是两倍，这与分辨率加倍会导致匹配时间相应增加的预期相符。注册时间的增加意味着计算负担更高，这可能会限制在处理能力有限或需要快速响应的场景中的实时适用性。HDL-Graph SLAM的128线激光雷达注册时间约为100毫秒。

7. 总结 & 未来工作

综上所述，在真实世界数据集上报告的实验结果表明，SC-LIO SAM和Cartographer总体上取得了相当好的结果。此外，根据进行的定量和定性比较，SC-LIO SAM和Cartographer在所有序列中都取得了显著的性能。SC-LeGO LOAM和SC-LIO SAM都能够在必要时检测到重访位置，从而防止系统漂移。HDL-Graph之前曾表示其扫描匹配性能最佳，这主要是因为其处理的是密集的原始点云，但缺乏稳健的位置识别模块导致在图优化过程中无法补偿误差。Cartographer在FU-Berlin数据集和KITTI序列00中没有结果，因为缺少IMU数据源，但Cartographer在ATE方面仅以较小的优势超越了SC-LIO。全局描述符（称为扫描上下文）是SC-LeGO LOAM和SC-LIO SAM的关键组件，因为它在位置识别方面非常有效，这对于这些方法在偏离真实情况后立即识别正确路径至关重要。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~

本文仅做学术分享，如有侵权，请联系删文。

3D视觉交流群，成立啦！

目前我们已经建立了3D视觉方向多个社群，包括 2D计算机视觉 、 最前沿 、 工业3D视觉 、 SLAM 、 自动驾驶 、 三维重建 、 无人机 等方向，细分群包括：

工业3D视觉 ：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

SLAM ：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

自动驾驶：深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。

三维重建 ：3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

无人机 ：四旋翼建模、无人机飞控等

2D计算机视觉 ：图像分类/分割、目标/检测、医学影像、GAN、OCR、2D缺陷检测、遥感测绘、超分辨率、人脸检测、行为识别、模型量化剪枝、迁移学习、人体姿态估计等

最前沿 ：具身智能、大模型、Mamba、扩散模型等

除了这些，还有 求职 、 硬件选型 、 视觉产品落地、产品、行业新闻 等交流群

添加小助理: cv3d001，备注： 研究方向+学校/公司+昵称 （如 3D点云+清华+小草莓 ）, 拉你入群。

3D视觉知识星球

「 3D视觉从入门到精通