作者：robot L
主要内容
基于点云分割和CNN的LiDAR点云回环检测方法。
改进的点云配准失效检测方法，效率更高。
基于运动惯性里程计，AICP，回环的因子图LiDAR-SLAM系统，可以在腿式机器人上运行。
不足
处理频率只有1Hz，远低于激光频率10Hz。
没有和SOTA LiDAR-SLAM算法对比。
M. Ramezani, G. Tinchev, E. Iuganov, M. Fallon. Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure. IEEE International Conference on Robotics and Automation, 2020.
摘要
在本文中，我们提出了一种基于因子图的3D LiDAR SLAM系统，组合了SOTA深度学习的基于特征的回环检测子，使得腿式机器人能够在工业环境中定位和建图。点云先通过惯性运动学状态估计器对齐，然后再使用ICP配准对齐。为了闭环，我们使用使用一种回环策略，匹配工业环境中的分割块和点云。我们离线训练描述子来匹配这些分割快。我们方法的高效性来自小心地设计网络结构以最小化参数数量，从而深度学习方法能够使用CPU实时配置，这也是本文的最大贡献。里程计和闭环因子通过位姿图优化被更新。最终我们提供了高效的风险对齐预测方法，验证了配准的可靠性。在一个工业环境中的实验结果证实了我们系统的鲁棒性和灵活性，包括在SLAM地图中的自主路径跟随。
1. 介绍
机器人建图和定位已经被研究了20多年，为许多不同任务提供了感知基础。大量研究被执行使得机器人能够在未知环境中定位，导航，并完成任务。虽然付出了大量的努力，但是自主机器人在复杂环境中长期操作仍然是开放的研究领域。
视觉SLAM已经展示出大量的进步[1][2]，专注于克服光照条件变化的挑战[3]。替代地，本文专注于LiDAR。激光测量的运动估计和建图更准确。因此，我们专注于腿式机器人的LiDAR-SLAM。
我们SLAM的核心基于ICP，用于3D配准的常见方法[13]，来对齐3D LiDAR采集的点云。我们的方法基于之前的自动调参ICP（AICP）[4]，通过分析点云内容来鲁棒化对齐。AICP的初始化由机器人的状态估计器提供[5]，通过融合惯性测量和运动学信息来估计机器人状态。我们的LiDAR里程计漂移低于1.5%。
本文主要贡献如下：
1）一种在线的3D LiDAR SLAM系统用于腿式机器人基于ICP配准。
2）一种验证度量来量化点云配准的可靠性。
3）一种基于学习的闭环检测，在移动CPU上实时运行。
4）算法在ANYmal四足机器人上的实时验证。
图1. 在ANYmal机器人上的3D LiDAR建立的工业场地地图的俯视角。
2. 相关工作
本节提供了文献综述在行走机器人的感知和LiDAR-SLAM系统方面。
A 行走机器人的感知
SLAM对于行走机器人是一项关键能力。示例系统包括运行在HRP-2人形机器人上的单目视觉SLAM系统[6]，其基于EKF框架。相反地，[7]利用粒子滤波器来估计SLAM方法的后验，也在HRP-2上进行。Oriolo等人[8]验证了视觉里程计在Nano bipedal机器人上通过紧耦合视觉信息和机器人的运动学和惯性感知在EKF框架中。但是，这些方法需要环境的先验稀疏地图，限制了机器人的感知。
[9]和[10]中的工作利用KinectFusion[11]或ElasticFusion[12]的帧-模型视觉跟踪，其使用从粗到精的ICP算法。然而，基于视觉的SLAM技术受到变化光照的干扰。虽然对光照的鲁棒性已经被探索，例如[14]和[3]，但是仍然是很大的挑战对于任何视觉导航系统来说。
与双足机器人相比，四足机器人的灵活性和鲁棒性更强，当在具有挑战的环境中运动时。因此，它更适合长期任务，例如工业场景的探索。在极端情况下，机器人需要跳过障碍物区域。Park等人[15]使用一个Hokuyo激光来检测40cm的障碍，其然后允许MIT Cheetah-2的控制器跳过障碍物，虽然LiDAR测量没有被用于定位。
Nobili等人[16]提供了一个状态估计器用于Hydraulic四足机器人（HyQ），基于单目惯性EKF。机器人的基坐标系速度和位置被传播使用IMU测量，腿式里程计，视觉里程计和激光里程计。系统容易漂移由于导航系统没有回环检测技术。
B 激光SLAM系统
一个有效的LiDAR里程计方法是LOAM[17]。LOAM提取边缘和表面点特征在点云中通过评估局部表面的平滑度。表面被重投影到下一帧的开始基于运动模型，并在下一帧中找到点对应。最终3D运动被估计通过最小化点对应的距离和。LOAM达到了高精度和低计算代价。
类似LOAM，Deschaud[18]发展了LiDAR里程计，IMLS-LiDAR，具有类似的精度通过使用帧-模型匹配。
Shan等人[19]扩展了LOAM到LeGO-LOAM，其分别优化横向和纵向参数。此外，LeGO-LOAM检测回环通过使用ICP算法来创建一个全局一致的位姿图使用iSAM2[20]。
Behley等人[21]提出了一种基于面元的LiDAR SLAM系统通过使用当前帧和面元模型的投影数据关联。
Dube等人[22]发展了一种在线的协作LiDAR SLAM系统。使用两到三个机器人，每个装配3D LiDAR，增量稀疏位姿图被生成通过连续场景识别约束。场景识别约束被确定通过SegMatch算法[23]，其表示LiDAR点云为一组紧凑但是具有区分度的特征。描述子被用于匹配过程以确定回环。
3. 方法
我们的目标是提供ANYmal长时间的无漂定位和准确的周围地图。图2和图3给出了系统的不同成分分别从硬件和软件的角度。
图2. LiDAR-SLAM系统的硬件组成部分。
图3. LiDAR-SLAM系统的框图。
A 运动-惯性里程计
MAP估计是可靠的当等式(6)服从正态分布。但是，ICP对于较少的几何特征环境敏感，例如走廊或者门前，可能得到不好的街而过当优化该位姿图时。在第3.D节中，我们提出了一种快速的验证技术用于检测可能的AICP配准失效。
C 回环方法
本节介绍了我们的基于学习的回环方法和几何回环检测。
1)深度学习的回环方法：我们使用Tinchev等人的方法[26]，基于匹配单独的分割对使用基于学习的特征描述子。它使用一个较浅的网络，从而它不需要一个GPU。我们提供一个方法总结，称之为高效分割匹配（ESM），但是建议读者参考[26]。
首先，一个神经网络被离线训练使用单个LiDAR观测（分割）。通过使用里程计，我们能够匹配分割实例不需要人工的干预。网络输入是一个三元组——锚点，正和负分割。锚点和正样本是来自连续帧的相同物体，而负样本是20m外的分割。该方法直接在原始点云数据上执行一系列X-卷积算子，基于PointCNN[27]，接着是三个全连接层，其中最后一层用于分割的描述子。
在我们的实验中，当SLAM系统接收一个新的参考点云时，它被预处理，然后被分割为一系列点云簇。对于每个参考点云中的簇，一个描述子向量被计算使用高效的Tensorflow C++应用通过使用训练模型的权重进行前向传播。这允许一批分割被同时预处理。
2）几何回环检测：为了几何检测回环，我们使用腿式估计器（TSIF）的协方差来定义当前机器人位姿附近的一个动态搜索窗口。然后搜索窗口内的机器人位姿被检验基于两种原则：最近邻和点云配准的验证（第3.D节）。最终，几何回环被计算在当前点云中，并且得到对应的位姿使用AICP。
D 点云配准的快速验证
算法1. 伪代码
4. 实验验证
表1给出了机器人传感器的参数。
表1. 传感器参数
我们首先分析了验证方法，然后探究了基于学习的回环检测方法对于速度的可靠性。然后证实了我们SLAM系统的表现在室内和室外试验中。视频链接：ori.ox.ac.uk/lidar-slam
A 验证表现
图6. 我们提出的验证方法和原始方法比较。时间比较（左），表现比较（右）。
B 学习回环检测器的评估
在下一个实验中，我们探索不同回环方法的表现使用室外数据。
1）对视角变化的鲁棒性：图5展示了我们具有学习的回环方法的SLAM系统的预览。我们只选择两个点云来创建地图，它们的位置是图5中的蓝色箭头。
图5. 基于学习的回环验证。
2）计算时间：图8展示了计算时间图。几何回环的计算时间依赖遍历相同区域的次数。几何回环在最近N个点云中迭代，基于半径；遍历的协方差和距离导致它变慢。类似地，验证方法需要在最大重叠的点云中迭代，影响了实时操作。
替代地，学习的回环方法对地图大小的扩展性更强。它具有低维特征描述子，比上千个欧式空间中的数据点更快。
C 室内和室外实验
为了验证完整的SLAM系统，机器人在室内和室外分别走了100m和250m。每个实验持续45min。图1（底部）和图4展示了测试位置：工业建筑。为了评估建图准确性，我们比较了SLAM系统，AICP，和基准腿式里程计（TSIF）使用真值。如图4所示，我们使用Leica TS16来自动跟踪装在机器人身上的360度棱镜。这样，我们能够记录机器人的位置以厘米级别在7Hz左右。
图4. 实验在ANYmal上执行。为了确定真值轨迹，我们使用Leica TS16激光跟踪器来跟踪机器人上的360度棱镜。
对于评估度量，我们使用RPE和ATE[32]，RPE决定轨迹的局部准确性，ATE决定全局准确性。
如图7（右）所示，我们具有验证的SLAM系统基于与真值完全一致。验证算法包括27个真-正回环因子（如图7（左）所示），被增加到因子图中。没有这个验证时，38个回环被创建，一些是错误的，导致较差的地图。图1（顶部）展示了地图的全局一致性。但是，对于室内试验没有真值来验证轨迹的准确性。
图7. 具有验证的SLAM系统（左）；不同算法和真值的轨迹对比（右）。
表2展示了有/没有验证的SLAM结果，与AICP LiDAR里程计以及TSIF腿式状态估计器对比。由于Leica TS16没有提供旋转估计，我们使用最好的表现方法——具有验证的SLAM，并比较它和其他算法的轨迹使用ATE度量。基于该实验，具有验证的SLAM的漂移低于0.07%。
表2. 不同方法的定位准确性比较。
D 在ANYmal上的实验
在最终实验中，我们验证了SLAM系统在ANYmal上。在构建具有回环的地图后（遥控建图），我们需要一条回到操作站的路径。使用Dijkstra算法[33]，最短路径被创建使用因子图。因为每条边已经被遍历，跟随路径能够回到初始点。
