突破视野限制 | 利用4D雷达进行SLAM的循环闭合检测

标题：Towards introspective loop closure in 4D radar SLAM
链接：https://arxiv.org/pdf/2404.03940.pdf

1、介绍

这篇论文研究了使用4D雷达进行SLAM中的闭环检测问题。4D雷达可以同时测量距离、方位角、高度和速度，为SLAM提供了丰富的信息。然而，由于其低分辨率和稀疏的测量，4D雷达的闭环检测比传统雷达更具挑战性。作者提出了一种结合多个质量指标的闭环检测方法，并在地下矿洞和森林环境的雷达数据集上验证了其有效性。实验结果表明，该方法可以显著提高轨迹估计的精度。同时，论文还探讨了当前方法检测反方向闭环的局限性，并提出了改进的方向。总的来说，该论文为4D雷达SLAM的闭环检测提供了有效方法，并为后续研究奠定了基础。

2、方法

包括以下几个主要步骤：

Odometry estimation ：采用Doppler+IMU方法估计雷达的线速度，并利用IMU提供的方向信息将速度旋转到世界坐标系中，最后通过积分速度来获得位置估计。该方法在本研究中被证明优于基于扫描匹配的方法。

Alignment verification ：使用CorAl框架学习对齐的质量，利用差分熵和重叠度等指标训练二分类器来区分正确对齐和错误对齐的点云。训练标签通过里程计估计自动生成。

Place recognition ：采用ScanContext描述子进行位置识别，将雷达点云转换为极坐标表示，并使用基于占用信息的权重计算描述子的值。通过多个关键帧累积来增加描述子的密度。

Registration and verification of loop candidates ：利用ScanContext进行循环候选检索，并使用多个指标(里程计相似度、描述子距离、对齐质量)进行验证。最后将得分最高的循环闭合添加到姿态图中进行优化。

通过上述步骤，该方法可以有效地检测和验证循环闭合，并提高轨迹估计的准确性。

3、实验

主要包括以下几个方面：

Alignment classification ：使用ROC曲线和AUC来评估对齐质量的分类效果。结果显示，基于CorAl的指标对4D雷达点云效果不佳，而CFEAR指标表现较好。

Loop closure detection ：使用精确率-召回率曲线来评估循环闭合的检测效果。结果显示，仅使用一个关键帧描述子时，检测效果较差；而使用多个关键帧描述子和多个候选检索可以显著提高检测效果。

Trajectory quality ：通过比较里程计轨迹和SLAM轨迹的KITTI误差指标和绝对轨迹误差，评估循环闭合检测对轨迹质量的影响。结果显示，循环闭合检测可以显著减少漂移，提高轨迹质量。

总的来说，实验结果表明该方法可以有效地检测和验证循环闭合，从而提高4D雷达SLAM的轨迹估计精度。

4、结论

本文研究了使用4D雷达进行SLAM时循环闭合检测面临的挑战，并提出了一个适用于4D雷达SLAM的循环闭合检测框架。通过使用多个指标进行循环闭合的检测和验证，文章在地下和森林环境中取得了显著的轨迹估计精度改进。实验结果表明，该方法可以有效地检测并验证同向循环闭合，从而显著提高轨迹估计的精度。然而，检测反向循环闭合仍然是一个挑战。因此，文章建议进一步改进循环闭合检测算法，并定义更合适的循环闭合条件。未来工作将扩展数据集，研究基于子图的循环闭合方法，以及评估分类器在不同环境和传感器上的泛化能力。

本文仅做学术分享，如有侵权，请联系删文。

激光slam中，LOAM(Lidar Odometry and Mapping in Real-time)系列具有举足轻重的地位。下面的表格是近年来LOAM系列算法的汇总。

LeGo-Loam是基于ros系统框架的3D激光slam开源代码。代码简洁，其中大量计算都是手动推导出来，依赖库相对较少，主要依赖gtsam进行后端因子图优化。其中在前端里程计计算中，通过地面特征和线特征分开来计算机器人姿态，减少计算量，提高前端计算效率。其系统框架如下图：

相对于LOAM算法， LeGo-LAOM能够进行地面优化，同时保证了轻量级，也加入了回环检测模块 。

相对于LOAM算法，LeGo-LAOM能够进行地面优化，同时保证了轻量级；也使用了Keyframe概念以及回环检测位姿图优化的方式对后端进行重构。

对于工业领域而言，LeGo-LOAM有非常广泛的应用，尤其是工业机器人领域，LeGo-LOAM一直都是应聘者必须掌握的框架。

对于学术研究而言，LeGo-LOAM是激光SLAM的经典框架，LeGo-LOAM源码简洁清晰，比LOAM算法的代码可读性要高很多。近几年各顶会上的很多SLAM算法设计思想都潜移默化地受LeGo-LOAM的影响，对其的改进思路相较于LOAM也比较多样化。

如何高效学习LeGo-LOAM？

学习SLAM主要需要攻克三大难关：

• 扎实的数学基础
• 对整个SLAM大框架及细节部分理解到一定深度
• 比较高度的编程能力

这三点都绝非易事，需要花很大的功夫，中间也有不少弯路要走。

对于初学者，推荐以下的学习路线：

• 先看一遍十四讲入个门，不用看的太深入，应为这会可能会有很多不明白的地方。
• 查阅相关的硕博论文、综述论文，看看前人的工作部分，再找经典的开源代码过一遍。
• 学习框架：LeGo-LOAM 、LOAM/A-LOAM、Lio-Sam、cartographer等。= 可以尝试做一些实际项目，边做边总结。

做好以上几点基本都差不多了，但是自己学习总是会遇到很多困难。为此，我们与高级科学家弘毅学者 一起研发了《深度剖析面向机器人领域的3D激光SLAM技术原理、代码与实战》课程， 一方面 是带领大家入门基于LeGo-LOAM框架的3D激光SLAM技术，另一方面 是带领大家掌握激光SLAM的学习方法。

LeGO-LOAM运行效果展示：