摘要:

基于 LiDAR 的里程计和建图在许多机器人应用中用于检索机器人在未知环境中的位置，并允许在 GPS 拒绝（例如，室内）环境中自主操作。 借助 3D LiDAR 传感器，可以实现高精度定位，从而实现高质量的环境 3D 重建。 在这封信中，我们通过利用有关环境中参考对象的先验知识来扩展众所周知的 LOAM 框架，以进一步提高定位精度。 这需要参考对象的已知 3D 模型及其在全局坐标系中的已知位置。 在优化问题中，我们不仅依赖于 LOAM 映射模块中的点特征，还包括从参考对象的 3D 三角形网格中提取的网格特征。 对于网格特征的快速对应计算，我们使用 Axis-Aligned-Bounding-Box-Tree (AABB) 结构。 本质上，我们的方法不仅利用先前构建的地图在环境中进行绝对定位，而且还考虑了与参考对象的相对位置，有效地减少了长期漂移。 为了验证所提出的概念，我们使用 Gazebo 模拟环境在机库内的飞机和埃菲尔铁塔的示例性目视检查场景中生成了数据集。 驱动的 3D LiDAR 传感器通过 1-DoF 万向节安装在无人机上，捕捉 360 次 $^\circ$ 扫描。 我们将我们的方法与最先进的开源 LOAM 框架进行对比。 结果表明，所提出的使用点和网格特征的联合优化显着降低了绝对姿势误差 (APE)，因此在长期操作期间提高了地图和 3D 重建质量。

论文链接:

https://ieeexplore.ieee.org/document/9357902