Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9813516
代码：GitHub - hku-mars/VoxelMap: [RA-L 2022] An efficient and probabilistic adaptive voxel mapping method for LiDAR odometry
视频：https://youtu.be/HSwQdXg31WM
一、 文章概述
1. 问题导向
作为激光雷达测量的一种直接形式，点云地图易于实现。然而，点云图的一大缺点是难以考虑激光雷达测量噪声引起的地图不确定性。考虑到地图的不确定性，需要对环境中的显著特征(例如，平面)进行明确的参数化，在不同的激光雷达扫描中跟踪这些特征，并估计这些特征参数及其不确定性。
2.目标
针对上述挑战，本文提出了一种新的在线自适应体素映射方法，该方法构造不同大小的体素以适应环境结构和点密度的变化。
3.摘要
本文提出了一种高效的概率自适应体素映射激光雷达里程计方法。该地图是体素的集合；每个体素包含一个平面特征，以实现环境的概率表示和新LiDAR扫描的准确配准。我们进一步分析了从粗到精的体素映射的需求，然后使用一种由哈希表和八叉树组织的新的体素映射来高效地构建和更新映射。我们将所提出的体素映射应用于迭代扩展卡尔曼滤波，并构造了用于位姿估计的最大后验概率问题。在开放的KITTI数据集上的实验表明，与其他最先进的方法相比，我们的方法具有更高的精度和效率。在室内和非结构化环境中使用固态LiDAR和非重复扫描LiDAR进行的实验进一步验证了我们的映射方法对不同环境和LiDAR扫描模式的适应性(参见我们所附的视频1)。我们的代码和数据集在Github2上是开源的
4.贡献
1)提出了一种自适应大小、由粗到精的体素构建方法，该方法能够适应不同结构的环境，对激光雷达点云的稀疏性和不规则性具有较强的鲁棒性。自适应体素映射以八叉树散列数据结构组织，以提高体素构建、更新和查询的效率。
2)真正的概率地图表示，其中包含在体素地图中的每个特征(即，平面)准确地考虑了由点测量噪声和姿态估计误差引起的不确定性。
3)在LiDAR(惯性)里程计系统中实现了所提出的映射方法，并在各种环境(结构化和非结构化)和LiDARs(多旋转LiDARs和非传统固态LiDARs)的真实数据集上对设计进行了充分验证。特别是，我们的方法在Kitti数据集上比其他最先进的方法具有更好的性能。
二、方法解析
2.1 Probabilistic Plane Representation概率平面表示法
我们的体素映射在每个体素中包含一个概率特征。在不丧失通用性的前提下，由于平面特征在环境中的广泛适用性，我们使用了平面特征，并在这一部分中给出了平面特征的不确定性模型。
由于平面特征是从其关联点估计出来的，因此这些点上的任何噪声都会增加平面估计的不确定性。
点噪声源的两个可能：
一个是相对于局部LiDAR身体框架的原点测量噪声
另一个是将局部LiDAR点投影到世界框架的LiDAR姿态估计误差。
（1）点的不确定性模型
LiDAR点云中点的不确定性包含两部分：
- 测距不确定性
- 方位向不确定性两部分组成
详情请看。。。
【文献解析】Voxelmap——一种自适应体素地图 - 古月居 (guyuehome.com)
