这篇文章整理了SLAM和感知相关的前沿方法。这些信息来自公开的知识分享。

基于多lidar城市自动驾驶定位与建图构建方案

文章《Multi-LiDAR Kocalization and Mapping Pipelinefor Urban Autonomous Driving》

摘要：离线地图构建，在线定位，基于KISS-ICP。生成语义地图。已集成到autoware中。

相关工作：

  1. M-LOAM添加了多LiDAR支持，还可在线校准。

车辆配置：

  1. Innovusion Falcon Kinetic * 2, Ouster OS1-128 * 2

流程

  1. 传感器融合: 每个LiDAR配准后，再合并点云，再和地图匹配，从而避免单个扫描之间的时间差异并补偿校准误差。
  2. 地图构建
    1. 点云地图：使用分离帧扫描配准的KISS-ICP创建地图，地图经过交互式(interactive)SLAM后处理。也可以执行回环和图优化。
    2. 语义地图：使用Vector Map Builder2，通过标记车道边界等手动标注点云地图。点云强度过滤已提取车道线。点云投影到图像中以添加上语义标签。
  3. 在线定位：使用KISS-ICP，基于EKF融合LiDAR、GNSS、IMU、轮速和车辆动力学模型。

cloudcompare和PCL-ICP对比

点云的有序性、系数成都、噪声大小。

CC

  1. 如果点云数量过多就降采样
  2. 对点云构建八叉数，默认8层。
  3. 对配准模型同样处理，点云数量，权重，构建八叉数
  4. 计算点云初始距离和CPSet
  5. 判断是否移除最远的点(计算电音的距离分布参数)
  6. 并行排序重叠点云的距离，计算每个点的权重。
  7. 选择是否使用权重去除权重无效的点
  8. 迭代
  9. 过滤平移矩阵

重感知轻地图的大背景下的SLAM

bev感知、transformer、占据网络是主流方案。

SLAM主要集中在这几个方向

  1. 一个是多传感器的标定，所有的公司都必备的基础。
  2. 一个是训练集的真值生产，也就是常说的4D标注，为感知提供低成本标注数据。未来可能是大部分SLAM从业者的归宿。
  3. 一个是无GNSS或信号缺失场景下。比如地下停车场的自动泊车。
  4. 封闭或半封闭的智驾领域，比如港口，矿区，农业，清洁，小巴，园区物流，餐饮，导览等

传感器标定

多传感器的在线标定的研究方向有边缘配准、互信息、分割。

  1. 边缘配准是把点云的边缘投影到图像中，最大化点云边缘信息和图像中的边缘信息的乘积以完成外参标定。因为只能获取激光雷达的垂直边缘信息，因此对偏航角的估计效果远好于横滚角和俯仰角。
  2. 互信息是对点云强度信息和图像灰度信息进行互信息操作使得结果最大。
  3. 对图像和点云分割，分割后的信息用于特征匹配

常用三维点云采样方法

体素下采样，均匀采样，几何采样，随机下采样，增采样，滑动最小二乘法采样。

集合采样：曲率越大，采样的点数越多。 滑动最小二乘法采样：平滑输出的点云