Mesh-LOAM：基于网格的实时激光雷达里程计和建图方案

文章：Mesh-LOAM: Real-time Mesh-Based LiDAR Odometry and Mapping

作者：Yanjin Zhu, Xin Zheng, and Jianke Zhu

编辑：点云PCL

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。文章未申请原创，侵权或转载联系微信cloudpoint9527。

摘要

尽管使用网格建图实现了实时性能，但由于依赖于显式网格划分方案，目前的大多数激光雷达里程计和网格划分方法可能难以处理复杂场景，通常对噪音很敏感。为了克服这些限制，本文提出了一种基于网格的实时激光雷达里程计和建图方法，通过隐式重建和并行空间哈希方案，用于大规模场景。为了有效地重建三角形网格，本文提出了一种增量体素网格方法，该方法通过遍历每个点一次来更新每次扫描帧，并通过可扩展的分割模块压缩空间。通过利用随时快速访问三角形网格的优势，设计了具有位置和基于特征的数据关联的点到网格里程计，以估计入射点云和恢复的三角形网格之间的姿态。在四个数据集上的实验结果证明了我们提出的方法在生成准确的运动轨迹和环境网格图方面的有效性。

主要贡献

本文提出了一种基于网格的实时大规模激光雷达测距与测绘方法，并将其命名为 Mesh-LOAM。本文旨在提高基于激光雷达的建图的几何精度，同时模拟减少估计位姿的漂移。此外采用隐式重建，利用隐式函数对噪声的鲁棒性和处理复杂场景的能力等优势。为了实现大规模场景的实时隐式重建，提出了一种并行空间散列方案下的增量体素网格划分方法，其中我们的 SDF 值被动计算模型和可扩展分区模块能够加速计算。此外，我们还采用了点到网格测距法来估计输入点云与重建三角形网格之间的位置。图 1 显示了我们的 Mesh-LOAM 在 KITTI 车速数据集上的三角网格图输出示例。

图 1：在 KITTI 测距数据集序列 "00 "上的里程计和建图结果。我们提出的 Mesh-LOAM 可以准确估计移动车辆的位姿，同时获得大尺度室外场景的精确而紧凑的网格。整个算法的运行速度约为每秒 54 帧。

本文的主要贡献有：

1）使用并行空间散列方案，为大尺度场景提供基于网格的实时激光雷达里程计和建图方法；

2）增量体素网格划分方法只需一次遍历即可整合每次激光雷达扫描，利用了可扩展分区模块的优势；

3）精确的点到网格测距方法，可从点云和重建的三角形网格中估算姿势；

4）实验表明提出的 Mesh-LOAM 方法可实现高精度的位姿估算，同时为大尺度室外场景实时恢复有前景的三角形网格。

内容概述

概述

将介绍一种基于网格的大规模激光雷达里程计与实时建图方法，图 2 显示了我们提出的方案概览。首先通过基于位置和特征的数据关联模块来估算姿势，从而实现点到网格的测距。其次提出了一种高效的体素网格划分方法，利用稀疏体素增量重建表面网格。最后介绍了一种简单有效的基于空间哈希的并行方案和实现方法，以高效检索体素并保证重建的可持续性。

点云对网格激光雷达里程计

本文采用了与 Puma和 SLAMesh类似的点对网格配准方法，可用于提高里程计精度，由于扫描帧到模型的匹配效果优于传统的扫描帧到扫描帧的匹配，我们的网格表示是通过连续累积的扫描帧计算得出的。

1) 平面特征选择：在所提出的点云到网格配准框架中，选择平面点云来促进精确的位姿估计，这一过程包括通过拟合当前激光雷达扫描中的局部平面来估计三维点 p = (x, y, z) ⊤ 的表面法线。

2) 数据关联：该里程计方案旨在根据全局网格模型估算当前帧 k 的 6-DoF 位姿，考虑到之前估计的位姿 Tk-2 和 Tk-1，当前帧的预测位姿可以计算得出。

3) 位姿优化：为了在优化过程中实现更有效的收敛，重点估算相对姿态T,而不是直接计算全局姿态Tk。T是预测帧 Pw 与全局三角网格之间的偏差，因此目标是最大限度地减小点到网格的误差。

增量体素网格划分

为实现大规模环境的实时建图，我们提出了一种两阶段增量体素网格划分方法。首先提出了一种高效的混合加权体素融合方法，它使用稀疏体素来保留全局地图信息，并允许每次扫描只遍历每个点一次。其次利用高度自适应体素块来压缩空间，并高效提取表面网格。

并行空间散列方案

为了实现体素操作的并行化，我们采用了一种简单高效的基于空间散列的方案。此外提出的体素删除方案可实现长期重建，并确保所涉及的网格质量不受影响。

实验

这里将介绍实验细节，并在四个真实世界的大型公共数据集上评估我们的里程计和建图方法。此外与最先进的方法相比，我们在定量和定性方面都取得了可喜的成果。此外还检验了我们提出的点到网格里程计以及体素删除方案的有效性，并讨论了计算时间。

里程计评估

为了检验激光雷达里程计的性能，我们利用广泛使用的 KITTI 里程计数据集，将我们提出的方法与采用不同类型地图的最先进纯激光雷达方法进行比较。

图 5：Mesh-LOAM 在 KITTI 序列 "00 "至 "10 "上估算出的轨迹。

图 5 描绘了从序列 "00 "到 "10 "的估计轨迹，包括城市、乡村、住宅和高速公路环境。我们根据 KISS-ICP 和 FLOAM 的实验设置进行了实验，对于 KITTI 数据集，我们使用每 100 米以%为单位的相对平移误差和以度为单位的相对旋转误差进行评估。表 I 显示，我们的方法取得了很好的结果，在 KITTI 数据集中，平移误差漂移为 0.51%，旋转误差为 0.15 度/100 米。

在更具挑战性的Hilti 2021 数据集上对我们的里程计性能进行了定量评估。由于 Hilti 2021 数据集中的大多数序列都提供了 3-DoF 真值位姿，因此我们使用绝对轨迹误差 (ATE) % 作为评估标准。

我们仅使用 Ouster OS0-64 liDAR 收集的数据进行实验。由于 FLOAM和 KISS-ICP在该数据集上没有公布结果，因此我们使用它们的实现进行了实验。如表 II 和图 6 所示，在手持式 Hilti 数据集 2021 的大多数室外和室内场景中，我们提出的方法都取得了最佳性能。

图 6：Hilti挑战赛数据集SLAM比较

建图评估

为了展示我们的网格 LOAM 的有效性和普适性，我们定性地展示了两个大型数据集上的一些里程计和建图结果。图 9 显示了 KITTI 序列 "07 "的室外大尺度场景，我们可以看到光滑平坦的路面以及各种形状基本完整的车辆。

图 9 显示了 KITTI 序列 "07 "的室外大尺度场景

图 10 展示了 Hilti 数据集上的真实建筑环境，描绘了光滑的地面和凹陷的粗糙建筑地面。由于数据是通过手持式平台采集的，因此点云的覆盖范围并不均匀，导致一些边缘空白。这些可见的结果表明，我们提出的 Mesh-LOAM 可以生成移动系统的精确 6-DoF 姿态，并同时重建大规模室外场景的密集网格。

图 10 展示了 Hilti 数据集上的真实建筑环境

为了直观地说明重建后的网格，我们比较了从 0.1m 到 0.4m 不同网格分辨率下的绘图结果。如图 7 和图 8 所示，我们的方法能够为大型室外场景构建完整的网格，同时保留精确的结构，如车辆轮廓、浅路缘石和树木。

图 7：KITTI 数据集序列 "07 "的建图结果，分辨率从 0.1 米到 0.4 米不等。

图 8：MaiCity 数据集上 0.1 米至 0.4 米不同分辨率的建图结果。

为了评估我们提出的方法的建图质量，将我们的方法与三种最先进的方法进行了比较，包括基于 TSDF 融合的方法 VDB Fusion、基于 Possion 回归的方法 Puma和基于学习的方法 SHINE-Mapping 。在Mai数据集和新学院数据集上使用相同的 0.1 米体素大小进行了实验。

表 III 列出了以厘米为单位的距离误差评估结果。它显示了两个数据集在误差阈值分别为 10 厘米和 20 厘米时的完成率和 F 分数（以百分比表示）。在这两个数据集上，我们提出的方法都优于三种方法。

如图 11 所示，我们的方法恢复了最完整的表面网格，同时保留了车辆轮廓、行人和路边树木等细节结构。两个数据集的定量和定性结果都表明，我们提出的网格划分方法能够利用我们提出的混合加权体素整合方法，为大尺度室外场景恢复完整而精确的网格。

图 11：MaiCity 数据集的定性比较结果。第一行显示了不同方法复原的网格，包括我们的方法、Puma 、SHINE-Mapping、VDB Fusion。第二行显示的是重建网格与真值之间的误差图。红色表示重建网格与地面实况之间的正距离，绿色表示负距离。颜色越亮，误差越大。

计算效率评估

为了证明我们提出的方法的效率，我们评估了不同步骤每帧的计算时间，包括预处理、点对网格里程测量和增量体素网格划分。所有评估都是在 KITTI 测距数据集上进行的，体素尺寸为 0.1 米。预处理步骤每帧大约需要 4.7 毫秒，点到网格测距每帧大约需要 11.1 毫秒，增量体素网格划分每帧需要 2.7 毫秒。我们的方法总体运行速度约为每秒 54 帧（fps），满足实时性要求。运行时间性能主要归功于被动 SDF 计算模型和可扩展的分区模块，该模块利用了高效的并行空间散列方案。速度瓶颈主要来自于在点到网格测度步骤中多次搜索正确的点到网格对应关系。利用快速访问的 SDF 地图，我们在数据关联过程中计算相邻网格，以加快速度。不过，这一过程仍会消耗一些时间。

总结

本文提出了一种实时大规模激光雷达里程计和网格划分方法。利用并行空间散列方案，引入了增量体素网格划分算法，以快速重建三角形网格，该算法只需一次遍历即可整合每次激光雷达扫描帧，并利用了可扩展的分区模块。此外还设计了点到网格里程计配准方法，以估计输入点云和重建三角网格之间的位置。在大规模室外数据集上进行了实验，结果表明我们提出的 Mesh-LOAM 能够以较快的速度实现低漂移和高质量的三维重建。由于网格提取是在 GPU 上进行的，因此需要一定的 GPU 内存。在未来的工作中，我们将探索网格简化技术，以减少内存使用。