近日，IROS 2021 The HILTI SLAM 挑戰賽公布了競賽結果，曠視研究院榮獲此次挑戰賽的冠軍，這是繼去年包攬 CVPR 2020 SLAM 挑戰賽全部賽道的冠軍后，曠視研究院再次獲得頂會 SLAM 競賽的冠軍，
2021 HILTI SLAM 挑戰賽是國際頂級會議——智能機器人與系統國際會議（IEEE/RSJ International Conference on Intelligent Robots and Systems，以下簡稱IROS）中的一項競賽，由蘇黎世理工和 HILTI 聯合舉辦，IROS 成立于 1988 年，每年舉辦一次，已發展成為全球規模最大、影響力最強的機器人研究會議之一，
賽題介紹
實時定位與地圖構建（Simultaneous Localization and Mapping，SLAM）是機器人導航和執行任務所必需的基本能力之一，雖然近些年來基于幾何的方法和基于學習的 SLAM 方法都取得較大的進展，但在真實世界中部署一套精準且魯棒的SLAM演算法，仍然是一個具有挑戰性的問題，在這次挑戰賽中，HILTI 提出了一個新的資料集，包含 12 個序列，每個序列都代表不同階段的施工現場，如地下室、校園、建筑工地、辦公室、實驗室、露天停車場等，參賽隊伍可以使用資料集中提供的任何傳感器設計 SLAM 演算法，挑戰賽主辦方會根據參賽隊伍軌跡的完整性和精度進行評分，并按照總分的高低進行排名，
曠視奪冠演算法揭秘
本次比賽吸引了全球20支企業和高校隊伍參賽，最終，我們采用基于雙激光+IMU 的 SLAM 演算法作為參賽方案，經過激烈的競爭最后獲得了競賽冠軍，
我們分析了比賽資料集提供的傳感器資訊，其中視覺模塊為 SevenSense 的五目相機模組，該模組能夠提供豐富的紋理資訊，但對光照變化比較敏感，特別是在室外環境，而 3D 激光傳感器在不同光照下均能夠提供魯棒和精確的距離測量，更適合該資料集，另外將這5個相機進行融合作業量較大，短期內無法獲得一個滿意的結果，因此，我們選擇 3D 激光雷達作為主要的傳感器，
資料集中提供了兩個激光雷達，其中 Ouster 具有360度的視場角，能夠提供稠密的測量；而 Livox MID70 的視場角僅有70度，但它的測量范圍長達260米，使用單一的激光雷達容易出現退化的情況，即使利用 IMU 能夠保證短時間內的精度，但整體的定位精度會受到影響，如下圖（左），僅使用 Ouster 激光，在空曠的環境中能夠定位的特征很少；下圖（右），僅使用 Livox 激光，在特定資料集中視野受限，因此，我們最終選擇了雙激光+IMU的方案，
整體方案如下，這是一個基于濾波的激光慣導里程計：主要分為資料同步、畸變補償、濾波器的預測更新、地圖管理等步驟，
實際資料中，兩個激光并不是完全同步的，時間戳相差 10-20ms，因此第一步是將 Livox 的激光點云按照每個點的時間戳重新組織（即切割 Livox 的點云資料），與 Ouster 的時間戳進行對齊，接著在 Ouster 一幀激光的測量時間內，利用 IMU 測量進行狀態更新，狀態更新的資料可以去點云的運動畸變，然后將 Livox 去畸變的點云轉換到 Ouster 坐標系下，與 Ouster 的激光點云進行合并，資料同步步驟尤為關鍵，大大簡化了程式的處理流程，
在濾波器更新階段，采用點面距離構建測量模型進行更新，其中，每個點對應的平面是根據 K 近鄰搜索和 PCA 擬合平面獲得的，在獲得優化的位姿后，將當前幀的點云轉換到全域坐標系下并插入地圖中，由于資料集的場景并不算太大（最大的場景為 100*100 米），同時為了程式的效率，我們采用一個增量式的 KD 樹維護全域地圖，為了保持全域地圖的稀疏性，只有離地圖中已存在的點較遠的點云才可以插入，
亮點
1
雙激光的結合大幅度地提升了程式的魯棒性和精度；
2
濾波器能夠實時估計出IMU的偏置和速度，能夠提升畸變補償的精度，反過來提升定位建圖的精度；
3
由于全域地圖的存在，不需要回環模塊，程式得到了簡化，
最后為大家展示一下利用演算法構建的地圖：
參考文獻
1. Helmberger, Michael, et al. "The Hilti SLAM Challenge Dataset." arXiv preprint arXiv:2109.11316 (2021).
2. Xu, Wei, et al. "Fast-lio2: Fast direct lidar-inertial odometry." arXiv preprint arXiv:2107.06829 (2021).
3. Zhang, Ji, and Sanjiv Singh. "LOAM: Lidar Odometry and Mapping in Real-time." Robotics: Science and Systems. Vol. 2. No. 9. 2014.
4. Hackel, Timo, Jan D. Wegner, and Konrad Schindler. "Fast semantic segmentation of 3D point clouds with strongly varying density." ISPRS annals of the photogrammetry, remote sensing and spatial information sciences 3 (2016): 177-184.
5. Cai, Yixi, Wei Xu, and Fu Zhang. "ikd-Tree: An Incremental KD Tree for Robotic Applications." arXiv preprint arXiv:2102.10808 (2021).
6. Mourikis, Anastasios I., and Stergios I. Roumeliotis. "A multi-state constraint Kalman filter for vision-aided inertial navigation." Proceedings 2007 IEEE International Conference on Robotics and Automation. IEEE, 2007.
曠視研究院3D組實習生招募中，有意向者請發送簡歷至：xiexiaojia@megvii.com
點擊閱讀原文，查看奪冠演算法的tech report
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/312240.html
標籤：其他
上一篇：Prisma如何僅更新update()中的某些模型欄位
下一篇：將中間件應用于后期路由時無限加載