【阅读论文】Lidar-Monocular Visual Odometry using Point and Line Features

论文介绍了新型视觉里程计。该系统将激光雷达与视觉技术相结合。该系统利用LIDAR获取深度信息，并通过视觉技术进行特征提取和跟踪。该系统基于关键帧贝叶斯优化预测机器人运动轨迹。

论文中的主要工作是：

基于引入点与线特征的方法相较于仅依赖于点特征求取的激光-视觉里程计而言，在提供更为丰富的场景结构信息方面具有显著的优势。

本文还提出了一种鲁棒的点线深度提取方案,显著降低了特征在三维空间中的不确定性度量,从而显著提升了位姿估计精度。（通过将提取的深度信息作为先验参数参与点线联合平差计算,该方法有效地降低了3D特征退化现象,进而显著提升了姿态评估的有效性）

文中还采用了纯视觉追踪技术以及一种创新的比例调整方案，在BA之前我们应用了比例缩放技术修正每个关键帧的空间尺寸以构建一个高效且精确的激光雷达与单目摄像头结合的里程测量系统

这张图是关于算法的实现流程。

描述了系统的架构

A. 特征提取与匹配

ORBFast feature extraction method is used for point features. The LSD algorithm is applied to capture line features, and the LBD method is employed to perform line matching.

B. 点和线深度提取

对于每一个被检测到的二维点或线段，在其邻近区域中推断它们的空间位置；其中针对点的情况而言，在三维空间中的位置推断主要基于图像射线与平面交点的方法；而对于线条对象，则是通过最小化能量函数来计算其对应的三维坐标关系

基于激光雷达提供的原始空间数据信息, 通过提取二维特征, 可以获得三维空间中的深度信息. 具体而言, 在二维图像中提取的空间特征主要由对应三维空间中的几何特性决定. 对于二维直线特征而言, 它们是由三维空间中两点投影到二维平面所形成的直线所定义. 更详细地说, 采用Tateno等人提出的方法进行处理: 首先将属于同一平面区域的LIDAR反射点划分为前景区域和平面区域. 然后对前景区域内的反射点多边形进行拟合平面计算, 并根据光线与拟合平面相交的位置确定各特征点的空间位置参数. 对于图像中包含的空间直线部分, 我们首先通过最小化以下目标函数来计算其相应的三维空间参数.

J = \sum_{i=1}^{n} (x_i - X_i)^2 + (y_i - Y_i)^2 + (z_i - Z_i)^2

进而计算出相应的三维线特征.

基于位于Lidar point cloud之外的 points and lines, 应用point triangulation method and line segment construction technique for depth prior estimation.

C. 帧与帧间里程计

特征跟踪基于图像级的特征匹配机制完成；三维点线采用第B步获取；进而采用基于PNP或PNL的方法获得帧间里程计信息。

D. 尺度纠正优化

用于将每帧点云ICP配准矩阵表示为图像尺度的先验信息输入，并通过优化关键帧的姿态求解来实现里程计尺度漂移的有效控制；确保里程计的尺度漂移得到有效的抑制。

E：点线平差

采用点特征与线模型的重投影误差作为优化指标以提升里程计精度，在算法设计中借鉴了ORB-SLAM2的技术框架完成粗差消除任务；通过滑动窗口机制选取关键帧并结合局部优化技术实现里程计校准

F：回环检测

通过DBoW模型训练出点线特征表示；随后将关键帧通过特征词典进行描述；基于点线的BoW特征向量计算其间的相似度来评估场景间的相似性；进而实现回环检测任务

结论

我们开发了一种融合点特征与线特征的超精确、高效运行的雷达单目视觉里程计系统。通过充分考虑丰富的空间结构数据后发现,本系统较领先的纯几何法具有显著优势;其定位精度与基于场景语义信息构建图模型的方法(LIMO)相媲美。

参考文章：

泡泡点云时空

该文详细探讨了基于Lidar-Monocular Visual Odometr技术的SLAM算法研究进展及其应用前景。文中深入分析了不同视觉传感器特性对SLAM性能的影响，并着重比较了基于点特性和线特性的激光雷达实现方案之间的异同。研究结果表明，在特定场景下采用混合特性的Lidar系统能够显著提升定位精度；同时为实现高效可靠的多传感器融合定位提供了重要参考。