以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# #开源代码# SDV-LOAM: Semi-Direct Visual-LiDAR Odometry and Mapping（TPAMI）

开源代码：

作者单位：华中科技大学

视觉-激光雷达里程计和建图(V-LOAM)融合了相机和激光雷达的互补信息，是一种具有吸引力的精确和鲁棒的姿态估计和建图解决方案。然而，现有系统可能会出现严重的跟踪误差，原因包括:1)3D LiDAR点与稀疏的2D特征之间的关联(即3D-2D深度关联);2)在6自由度(DOF)帧到地图优化过程中存在明显的垂直漂移。在本文中，我们提出了SDV-LOAM，它结合了半直接视觉里程计和自适应扫描到地图激光雷达里程计，有效地避免了上述误差，从而实现了高跟踪精度。我们的SDV-LOAM的视觉模块直接提取3D激光雷达点投影的高梯度像素进行跟踪。为了避免VO中匹配帧之间的大尺度差异问题，我们设计了一种新的点匹配传播方法，将主帧的点传播到更接近当前帧的中间关键帧，以减小尺度差异。为了减少垂直方向的姿态估计漂移，我们的LiDAR模块采用自适应帧到地图优化方法，根据垂直方向几何约束的丰富程度，自动选择优化3个水平自由度或6个全自由度姿态。

此外，我们提出了一种新的扫描重建方法，该方法可以将激光雷达点云的输入频率提高到与相机图像相同的频率，从而在理论上产生激光雷达里程计的高频输出。实验结果表明，我们的SDV-LOAM在KITTI里程测量基准上排名第八，优于大多数LiDAR/视觉-LiDAR里程计系统。此外，我们的视觉模块优于最先进的视觉里程计，我们的自适应扫描到地图优化可以提高现有开源激光雷达里程计系统的性能。此外，我们还在大规模环境下的定制硬件平台上演示了我们的SDV-LOAM，该平台既实现了高精度，又实现了输出频率。我们将在论文发表后发布我们的SDV-LOAM源代码。

本文贡献如下： 1)为了保证足够数量的二维像素与LiDAR的三维深度点相关联，我们提出了一种新的点提取方法，即从图像上的3D LiDAR点的投影中提取均匀分布在图像上的高梯度点。 2)由于3D点云的频率较低，3D LiDAR点投影帧之间的间隔较大，匹配帧之间会产生较大的尺度差异。为了检测帧与帧之间可靠的像素对应关系，我们设计了一种新颖的点匹配方法，将主机帧的点传播到与当前帧更接近的中间关键帧，然后通过找到当前帧与中间关键帧对应的像素来获得当前帧与主机帧之间的匹配点，以减小尺度差异。 3)为了提高视觉模块在各种场景下的鲁棒性，我们在当前跟踪点纹理有限的情况下，自适应地添加没有LiDAR点的额外高梯度点作为补充。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容