基於語義圖的激光雷達 SLAM 粗-精-再調整全環路閉合方法 (SGLC)

核心概念

本文提出了一種名為 SGLC 的新型環路閉合方法，該方法利用語義圖信息進行高效準確的環路檢測和位姿估計，顯著提升了 SLAM 系統的性能。

摘要

論文信息
Wang, N., Chen, X., Shi, C., Zheng, Z., Yu, H., & Lu, H. (2024). SGLC: Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM. IEEE Robotics and Automation Letters. Preprint version. Accepted October, 2024.
研究目標
本研究旨在解決現有激光雷達 SLAM 環路閉合方法在位姿估計方面存在的精度低或計算成本高的问题，提出一种高效且准确的环路闭合方法。
方法
本文提出了一种名为 SGLC 的语义图引导的环路闭合框架，该框架利用前景实例构建语义图，并结合背景点的几何特征进行环路检测和位姿估计。
SGLC 主要步骤：

语义图构建: 利用语义分割和聚类算法识别前景实例，并根据实例的空间关系构建语义图。
激光雷达扫描描述符生成: 结合前景语义图的拓扑属性和背景点的几何特征，生成用于快速检索环路候选帧的全局描述符。
几何验证: 通过匹配查询帧和候选帧之间的语义图节点，并利用节点的局部几何结构进行 outlier 剔除，验证环路候选帧的正确性。
6-DoF 位姿优化: 采用粗-精-再调整的配准策略，首先通过对齐稀疏匹配的节点中心估计粗略位姿，然后进行密集实例点的精细配准，最后利用背景点的平面信息进一步优化最终位姿。

主要结果

SGLC 在多个公开数据集（KITTI、KITTI-360、Ford Campus 和 Apollo）上均取得了优于现有最佳方法的环路闭合性能。
SGLC 能够有效处理具有较大方向和位置差异的场景，并实现精确的环路检测和位姿估计。
SGLC 的运行速度与基于手工特征的方法相当，同时在大多数情况下都能获得更高的精度。
结论
SGLC 是一种高效且鲁棒的激光雷达 SLAM 环路闭合方法，能够显著提高 SLAM 系统的精度和鲁棒性。
局限性与未来研究方向

SGLC 的性能依赖于语义分割的质量，未来可以探索更鲁棒的语义分割方法。
SGLC 主要针对静态场景设计，未来可以研究如何将其扩展到动态环境。

統計資料

在 KITTI 数据集上，SGLC 的平均 F1max 分数和 EP 分别为 0.972 和 0.964，优于其他方法。
在 KITTI 08 序列（包含许多反向环路闭合）上，SGLC 仍表现出优异的性能，证明其良好的旋转不变性。
SGLC 的平均运行时间为 98.1 毫秒，小于典型旋转激光雷达传感器 100 毫秒的数据采集时间，适用于实时 SLAM 系统。

從以下內容提煉的關鍵洞見

SGLC: Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM

by Neng Wang, X... 於 arxiv.org 11-12-2024

https://arxiv.org/pdf/2407.08106.pdf

深入探究

语义信息的引入如何影响 SGLC 在不同类型环境（如室内、室外、动态场景）下的性能？

室内环境：

**优势：**室内环境通常结构规则，物体类别相对固定，语义分割的准确率较高。SGLC 可以利用准确的语义信息构建更具区分性的语义图，提高节点匹配和环路检测的准确率。
**劣势：**室内环境可能存在遮挡和光照变化等问题，影响语义分割的性能。此外，室内环境的动态物体（如人、家具）较多，可能导致 SGLC 构建的语义图不稳定。
室外环境：

**优势：**室外环境通常比室内环境开阔，语义信息更加丰富，有利于 SGLC 构建更具区分性的语义图。
**劣势：**室外环境的光照变化、天气变化等因素会影响语义分割的准确率。此外，室外环境的动态物体（如车辆、行人）也可能影响 SGLC 的性能。
动态场景：

**挑战：**动态场景是 SGLC 面临的最大挑战。动态物体会导致点云配准和环路检测的错误。
**解决方案：**SGLC 可以结合动态物体检测和滤波算法，去除动态物体对语义图构建和环路闭合的影响。例如，可以使用基于运动补偿的语义分割方法，或者利用多帧点云信息进行动态物体滤波。
总而言之，语义信息的引入可以显著提高 SGLC 在结构化环境下的性能，但在动态场景下仍面临挑战。为了提高 SGLC 在不同环境下的鲁棒性，需要进一步研究更先进的语义分割算法和动态物体处理策略。

若语义分割结果存在误差，SGLC 如何保证环路闭合的准确性？

SGLC 采用以下策略来应对语义分割误差，保证环路闭合的准确性：

区分对待前景和背景点云： SGLC 只利用稳定的前景实例（如杆状物、树干）构建语义图，避免背景点云的语义分割误差对环路检测的影响。
基于多层次的相似性度量： SGLC 不仅仅依赖于语义图的相似性进行环路检测，还结合了背景点云的几何特征进行验证。即使语义分割存在误差，只要背景点云的几何特征匹配，仍然可以检测到环路。
鲁棒的节点匹配和异常值剔除： SGLC 采用基于节点描述符的匈牙利匹配算法进行节点匹配，并利用节点的局部几何结构进行异常值剔除，降低语义分割误差对节点匹配的影响。
多阶段的位姿估计： SGLC 采用由粗到精的位姿估计策略，先利用稀疏的节点匹配结果估计初始位姿，再利用稠密的实例点云进行精细化配准，最后利用背景点云的平面信息进行进一步优化。这种多阶段的优化策略可以有效降低语义分割误差对最终位姿估计的影响。

如何将 SGLC 与其他传感器（如相机、IMU）的信息融合，进一步提高 SLAM 系统的性能？

将 SGLC 与其他传感器信息融合可以有效提高 SLAM 系统的性能，具体方法如下：

与相机信息融合：

**语义信息互补：**相机可以提供丰富的颜色和纹理信息，与激光雷达的几何信息形成互补，提高语义分割的准确率，进而提高 SGLC 构建语义图的质量。
**视觉特征辅助环路检测：**可以提取图像的视觉特征（如 SIFT、ORB 特征），与 SGLC 的激光雷达特征进行融合，提高环路检测的鲁棒性。
**联合优化位姿：**可以将 SGLC 的激光雷达位姿估计与视觉里程计的位姿估计结果进行联合优化，提高 SLAM 系统的定位精度。

与 IMU 信息融合：

**运动预测：**IMU 可以提供高频的运动信息，用于预测激光雷达在数据采集过程中的运动，降低点云畸变，提高点云配准的精度。
**姿态估计：**IMU 可以提供较为准确的姿态信息，用于辅助 SGLC 的位姿估计，特别是在激光雷达退化的情况下，提高 SLAM 系统的鲁棒性。

**多传感器联合标定：**为了实现多传感器信息的有效融合，需要进行精确的时间同步和空间标定。可以使用离线或在线的标定方法，获取传感器之间的外参矩阵和时间偏移。

总而言之，将 SGLC 与相机、IMU 等传感器信息融合，可以优势互补，提高 SLAM 系统在复杂环境下的定位精度、鲁棒性和地图构建的效率。