不需GPS和惯导,新型传感器实现激光雷达SLAM

ag真人游戏平台

86213ad8759c48c488741d6867216390

与其他产品相比,Ouster能够以更低的价格,更大的规模和更好的分辨率实现映射。它取代了以软件为中心的映射策略,避免了对高精度GPS系统,车轮里程表或昂贵的陀螺仪的需求。此外,Ouster OS1多光束闪光激光雷达更便宜,更轻,与其他激光雷达的点数相同。这意味着无论是无人机,汽车还是机器人,Ouster的地图系统都可以在任何平台上快速,经济地部署。

使用激光雷达传感器创建高清地图

激光雷达技术的最佳用途之一是绘图。激光雷达,有一个三维模型的周围的一切。

该视频使用三个Ouster OS1传感器扫描标志性的旧金山渡轮大楼

使用SLAM创建高清地图

制作3D地图所需要做的就是对齐在不同位置拍摄的激光雷达扫描序列。但是,安排它们的过程并不容易。如果激光雷达安装在移动平台上,例如汽车,那就更难了。

过去,激光雷达测绘依赖于激光扫描仪,如高精度GPS惯性导航系统(INS)。可以使用GPS INS测量的位置和方向来对准激光雷达点云。现代GPS INS使用诸如具有实时运动学(RTK)校正信号的地面站的技术。 GPSINS系统可以将位置定位在几厘米内,而诸如手机之类的相对便宜的类似GPS的距离可能是几十米。现在GPS INS系统要好得多!然而,一个好的GPS INS系统非常昂贵,通常需要花费数万美元。

至于Ouster,他们不使用昂贵的GPS INS。与Ouster OS1相比,GPS INS的价格要高出几倍。但是,他们使用激光雷达数据本身来安排事物,这称为同步定位和映射(SLAM)。以前,计算机不够快,不能使用激光雷达数据可靠地运行SLAM,但现在,随着SLAM技术和计算机硬件的发展,可以使SLAM成为激光器。

SLAM的原理是传感器数据的最佳解释是最简单的解释,传感器数据的最简单解释是当所有内容对齐时。

7f5a76e00f1840609730c73d52a0f11f

测量激光雷达数据的排名方式

调整点

大多数机器人算法归结为两步。首先,定义一个称为损失函数或目标函数的函数。其次,调整参数以最小化功能。

为了对准来自激光雷达的两个点云,可以通过以下方式定义目标函数。考虑将测量的点云M移动到静态场景点云S中。对于M中的每个点,找到S中的最近点,并且目标函数是从M中的每个点到距离的距离的平方和。对应点。通过旋转和移动点云M来最小化目标函数。目标函数可以通过各种非线性最小二乘解算器(例如Levenberg Marquardt)最小化。在三维场景中,旋转和平移总共有六个自由度。

在最小化损失函数之后,点云M将移动,这意味着相应的最近点可能已经改变。要处理此问题,只需重复该过程,直到最近的点不变。该算法称为迭代最近点(ICP)。找到最近的点对于移动地图工具和机器人非常有效,因为它们移动平稳,因此您可以很好地猜测它们的位置。因此,最接近的最近点可能是优化后的最近点。

在实际操作中,激光雷达点不直接直接对应。相反,激光雷达扫描来自某些潜在物理表面的样本点。 Ouster OS1不是寻找最近的点,而是寻找一些然后适合这些点的飞机。然后,不是最小化两点之间的距离,而是使从一个点到一个平面的距离最小化。还有其他先进的方法,如广义ICP,表面或正态分布变换。

每个Ouster OS1都有一个内置的惯性测量单元(IMU)。这是一款类似于每款智能手机的低成本传感器。虽然不如高精度INS那么准确,但它仍然非常有用。就像对齐点一样,使用类似的策略来合并IMU数据。首先,Ouster开发了一个目标函数来补偿惯性测量(转速和动态加速度)之间的差异。其次,优化状态可以最小化目标函数。

将所有这些不同的目标函数组合成一个大函数。这称为紧耦合。一般来说,传感器越多越好。

217e3602339d4ff1916b6fed538857e1

实时表现

凭借其独特的多光束闪光激光雷达设计,Ouster OS1每秒可提供超过100万个点,使其成为同类产品中最高的之一。不幸的是,高分辨率带来了高度的计算复杂性。

Ouster的SLAM算法众所周知,因为它在典型的台式计算机CPU上实时运行。

如果不考虑目标函数的所有点,只考虑几个最佳点。这称为特征提取,最佳点称为特征点。

提取特征的一种方法是在点云的最平坦部分中找到点。如前所述,目标功能策略是点对点ICP。直观地说,与平面匹配良好的点应该在平面上。他们可以通过计算小邻域中的主成分分析来计算每个点周围的平坦度。然后他们保持最好的,比如说,最平坦的一千点,只要它们都没有太靠近,以确保它们得到均匀的点分布。

结合几何特征提取,激光雷达强度也可以与基于图像的特征提取方法相结合。利用Ouster OS1可以捕获二维摄像机图像的事实,使用基于深度学习的特征提取。这使得Ouster的算法更加健壮。

时间持久性

传统的SLAM算法将一帧与下一帧对齐。但是,现实世界中的大多数传感器不以正确的速度输出离散帧。例如,惯性测量单元可以输出1000Hz的数据,但是每秒1000次更新车辆的位置是不可行的。 OusterOS1以更高的速度输出数据。每秒64点可以达到20,480次,每个像素列的时间戳略有不同。

以前,基于激光雷达的SLAM方法仅使用0.1秒数据来应用帧到帧点云对齐。在高速公路上,在此期间,汽车可能已移动3米,导致点云变形。因此,这种方法倾向于使用外部传感器,例如车轮里程表,但车轮测量远不如激光雷达测量精确。

Ouster OS1采用连续时间方法进行处理.Ouster OS1没有像同时收集所有点一样平移和旋转整个点云,而是将飞行器的轨迹看作是时间的连续函数。

0538da1dddc348b4a938c7146aff84b4

函数。使用这种方法,OusterOS1有一个合理数量的优化变量,每秒只有10个变量,而不是数千个。同时,解决了运动畸变问题。

对于优化问题,OusterOS1没有将两个帧对齐,而是考虑滑动窗口内的所有点在时间上的关系,比如0.5秒长。该窗口每次向前滑动0.1秒。对于每一个点,都找到了空间中最近的几个点,前提是它们在时间上不是太接近。这给了Ouster OS1相同的距离集合,研究人员可以通过更新每个相关节点实现最小化。

环路闭合问题

到目前为止,已经讨论了使用最近0.5秒数据的滑动窗口来估计轨迹。然而,即使是使用高精度传感器,非常复杂的SLAM算法也会受到一些随机不确定性的影响。因此,用这种方法确定的轨迹将不可避免地略微偏离车辆的真实轨迹。其结果是,当在一个非常大的环路中行驶时,即使车辆实际上已经回到了它开始的位置,但是车辆的估计轨迹也可能不会在相同的位置结束。这就是所谓的环路闭合问题。

环路闭合依旧是大热的研究领域。在和AHP中,他们使用基于快速傅里叶变换的位置识别和粗对准技术,研发了一种环路闭合的最新解决方案。然后,进行大点云对齐批量优化,将多辆车的数据无缝融合到一个三维模型中。批处理优化是完全封装的,运行在云基础设施上,并且具有高度可伸缩性。

XX结果是一个清晰,详细的3D地图,随着越来越多的车辆在同一地区旅行,逐渐变得更精细和更准确。

结论

大规模三维映射很难。与其他产品相比,Ouster能够以更低的价格,更大的规模和更好的分辨率实现映射。它取代了以软件为中心的映射策略,避免了对高精度GPS系统,车轮里程表或昂贵的陀螺仪的需求。此外,Ouster OS1多光束闪光激光雷达更便宜,更轻,与其他激光雷达的点数相同。这意味着无论是无人机,汽车还是机器人,Ouster的地图系统都可以在任何平台上快速,经济地部署。

[欢迎提供行业新闻热点,请联系:18626613430进行业务合作]

010ceac386914b5ba33703b566657c66

deed7a8b93e9483fad4c5dbe9c461337