0. 论文信息
标题：A Real-time Degeneracy Sensing and Compensation Method for Enhanced LiDAR SLAM
作者：Zongbo Liao, Xuanxuan Zhang, Tianxiang Zhang, Zhi Li, Zhenqi Zheng, Zhichao Wen, You Li
机构：Hubei Luojia Laborotary, Wuhan University、CASIC、
原文链接：https://arxiv.org/abs/2412.07513
1. 导读
激光雷达广泛应用于同步定位和地图绘制(SLAM)以及自动驾驶。激光雷达里程计在多传感器融合中具有重要意义。然而，在一些非结构化环境中，点云配准由于其稀疏的几何特征而无法约束激光雷达的姿态，导致多传感器融合精度退化。为了解决这个问题，我们提出了一种新的实时方法来检测和补偿激光雷达的退化。本文首先引入了意义明确的简并因子，它可以度量激光雷达的简并度。然后，基于密度的带噪声应用空间聚类(DBSCAN)聚类方法自适应地感知退化，具有更好的环境泛化能力。最后，利用简并感知结果融合激光雷达和惯性测量单元，从而有效抵抗简并效应。在我们的数据集上的实验表明了该方法的高精度和鲁棒性，并验证了我们的算法对不同环境和激光雷达扫描模态的适应性。
2. 效果展示
激光雷达对退化几何环境的适应性不足导致状态估计误差，给激光雷达SLAM带来挑战。现有的算法使用含义不明确的度量来确定激光雷达是否退化，这可以更有效地测量激光雷达的退化程度并解决激光雷达的退化问题。
轨迹结果显示，轨迹上方的圆圈表示LIO-SAM或OUR在该位置漂移，并显示了退化环境。
退化补偿前后点云配准的均方根误差(RMSE)。图(a)、(b)和(c)分别表示校园、xhl和degenerate 00的退化因子。图中的黄色四角星表示在该时间段内发生了激光雷达退化。
建图结果。(a)·(h)分别表示 Campus、XHL、Basement、UzH、Quad、Construction和degenerate_00、degenerate_01。虚线框表示地图的可见重彩。
3. 引言
随着人工智能和SLAM（即时定位与地图构建）等技术的发展，自动驾驶车辆领域取得了显著成果。激光雷达（LiDAR）是SLAM算法中的一个研究热点，因为它能够直接感知环境的3D结构信息，且不易受天气条件和光线的影响。然而，基于激光雷达的定位强烈依赖于环境的几何特征。当车辆快速移动或处于退化几何结构中时，激光雷达里程计很容易受到影响。在退化几何环境中，激光雷达扫描匹配算法应具备更强的适应性。这种情况会导致状态估计出现偏差，给激光雷达SLAM算法带来巨大挑战。
本文所指的退化环境是指由于缺乏点云约束，导致状态估计的不确定性显著增加。这主要是指缺乏几何结构特征；在这种环境中，点云无法在所有方向上提供一致的约束。为了缓解这些问题，大多数研究通过积极探索激光雷达退化现象或添加更多约束信息来进行。本文也继承了这一思路和方法。
然而，仍存在三个局限性：首先，大多数研究方法基于优化问题的特征值，这些特征值的含义不明确，且度量标准难以衡量；其次，确定激光雷达退化依赖于经验阈值，这些阈值随环境和传感器类型的变化而变化，跨环境和传感器类型的泛化能力有限；第三，通过添加更多传感器或添加一些运动约束信息来提高定位和建图的鲁棒性，但这也会导致系统变得庞大且成本更高。运动约束要求车辆遵循特定行为，如之字形运动，这限制了它们在不同环境和运动模式中的应用。
为解决上述关于运动过程中激光雷达性能潜在退化的问题，本文提出了一种实时感知和抵抗激光雷达退化的新方法。本文设计了基于特征方法的激光雷达SLAM激光雷达退化感知算法。首先，我们计算与激光雷达旋转和平移相对应的条件数，将其作为退化因子。然后，我们引入DBSCAN聚类方法来判断激光雷达观测是否发生退化。这种基于DBSCAN的退化检测方法无需针对不同环境和类型的激光雷达重新调整退化阈值。
4. 主要贡献
本文的主要贡献如下：
1）定义了激光雷达系统的退化因子。该方法易于实现，含义明确，能够量化激光雷达系统中的退化现象，避免了大多数当前退化度量中存在的含义模糊问题。
推荐课程：
彻底剖析激光-视觉-IMU-GPS融合SLAM算法：理论推导、代码讲解和实战
。
2）提出了一种基于DBSCAN聚类的激光雷达退化感知方法。该方法不依赖于经验阈值，不受外部环境或激光雷达类型的影响，能够稳健地检测激光雷达退化。
3）引入了一种抵抗激光雷达退化的方法。基于退化感知结果和退化因子，将惯性测量单元（IMU）的姿态与退化激光雷达的姿态通过加权融合进行补偿。
5. 方法
我们详细描述了基于条件数的退化感知算法，并提出了一种具有明确意义的新型退化因子。同时，使用DBSCAN聚类方法来感知退化。当激光雷达突然退化时，退化因子会突然变得更加显著。与激光雷达正常状态相比，此时的退化因子是异常的。在感知到激光雷达退化后，利用IMU的运动状态来补偿激光雷达的退化运动状态。
6. 实验结果
7. 总结 & 未来工作
本文提出了一种实时感知激光雷达退化并进行抵抗的方法，通过处理环境退化问题，提高了激光雷达定位与建图的鲁棒性。利用条件数定义并推导出的退化因子，具有明确且独特的含义。此外，该退化因子的值越大，激光雷达系统的退化程度就越严重。同时，本文采用DBSCAN聚类方法来感知激光雷达的退化情况，摒弃了传统的设置退化检测阈值的方法，因此不受外部环境和激光雷达类型的影响。当发生退化时，对激光雷达和惯性测量单元（IMU）的运动状态进行加权融合，以降低环境退化对激光雷达状态估计的影响。我们在多种具有挑战性的场景中使用了不同类型的激光雷达进行实验验证。实验结果表明，该系统能够准确感知环境退化并测量激光雷达的退化程度。它显著提高了激光雷达在退化场景下的状态估计精度，并获得了准确的定位与建图效果。
然而，本文方法仍存在一些局限性。目前，它仅适用于突发性退化情况，但当激光雷达长时间退化时，本文方法暂时不适用。因为此时退化不再是离群点，而是形成了一个新的聚类，这要求我们更详细地划分DBSCAN的分类，而不仅仅是简单地将其分为离群点和非离群点，以便我们能够更平滑地检测到激光雷达退化的时刻。这也是我们接下来的计划。
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、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、图像/视频生成等
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。
▲长按扫码添加助理：cv3d001
3D视觉工坊知识星球
「3D视觉从入门到精通」知识星球
