基于幾何特征的桿狀物提取方法

摘要

魯棒、精確的定位是移動自主系統(tǒng)的基本要求。交通標(biāo)志、電線桿、路燈等類似桿子的物體，由于其獨(dú)特的局部性和長期的穩(wěn)定性，在城市環(huán)境中經(jīng)常被用作定位的地標(biāo)。本文提出了一種新穎、準(zhǔn)確、快速的基于幾何特征的桿狀物提取方法，該方法在線運(yùn)行，計(jì)算量小。該方法直接對由3D 激光雷達(dá)掃描產(chǎn)生的Range圖像進(jìn)行計(jì)算，避免了對3D 點(diǎn)云的顯式處理，并能快速提取每次掃描的桿狀物。作者進(jìn)一步利用提取的桿狀物作為偽標(biāo)簽，訓(xùn)練一個深度神經(jīng)網(wǎng)絡(luò)用于在線Range圖像的桿狀物分割。作者測試其幾何和學(xué)習(xí)為基礎(chǔ)的桿狀物提取方法定位在不同的數(shù)據(jù)集與不同的激光雷達(dá)掃描儀，路線和季節(jié)變化。實(shí)驗(yàn)結(jié)果表明，作者的方法優(yōu)于其他最先進(jìn)的方法。此外，借助于從多個數(shù)據(jù)集中提取的偽桿狀物標(biāo)注，作者的基于學(xué)習(xí)的方法可以跨越不同的數(shù)據(jù)集，比基于幾何的方法獲得更好的定位結(jié)果。作者向公眾發(fā)布桿狀物數(shù)據(jù)集，以評估桿狀物提取器的性能，以及作者方法的實(shí)現(xiàn)。

簡介

穩(wěn)健和精確的定位是自主機(jī)器人和常用狀態(tài)估計(jì)任務(wù)的關(guān)鍵能力。對機(jī)器人姿勢的準(zhǔn)確估計(jì)有助于避免碰撞，以目標(biāo)導(dǎo)向的方式導(dǎo)航，遵循交通路線，并執(zhí)行其他任務(wù)。這里的可靠性意味著機(jī)器人應(yīng)該適應(yīng)環(huán)境的變化，比如不同的天氣條件[5] ，白天和夜晚 ，或者季節(jié)變化。基于GPS的定位系統(tǒng)對環(huán)境的外觀變化具有很強(qiáng)的魯棒性。然而，在城市地區(qū)，由于建筑物和樹木的阻塞，它們可能受到信號不足的影響。為了移動機(jī)器人的精確和可靠的定位，需要額外的、基于地圖的方法?，F(xiàn)在已經(jīng)能使用多種不同類型的傳感器來構(gòu)建環(huán)境地圖，包括光探測和測距(Li-DAR)掃描儀，單目和雙目攝像機(jī)。其中，LiDAR 傳感器對光照變化更加穩(wěn)健，多種基于 LiDAR 的有效和高效建圖方法已經(jīng)被提出，例如 Behley 和 Stachniss或 Droeschel 和 Behnke。然而，由于地圖表示的原因，這些方法往往需要大量的內(nèi)存，因此不能很容易地推廣到大規(guī)模場景。如果只有特定的特征被用來建立地圖，如交通標(biāo)志，樹干和其他桿狀結(jié)構(gòu)，地圖的大小可以大大減少。 本文的主要貢獻(xiàn)是提出了一種新的基于Range圖像的桿狀物提取器，可用于自主移動系統(tǒng)的長期定位。作者不再直接使用由三維激光雷達(dá)傳感器獲得的原始點(diǎn)云，而是研究如何利用Range圖像進(jìn)行桿狀物提取。Range圖像是來自旋轉(zhuǎn)3D 激光雷達(dá)(例如 Velodyne 或 Ouster 傳感器)的掃描的光學(xué)和自然表示。在Range圖上處理速度相比原始3D激光點(diǎn)云數(shù)據(jù)也快。此外，一幅Range圖像在其二維結(jié)構(gòu)中隱含了鄰域信息，作者可以利用這些信息進(jìn)行分割。在Range圖像中檢測到的桿狀物可以進(jìn)一步作為偽桿狀物標(biāo)注來訓(xùn)練桿狀物分割神經(jīng)網(wǎng)絡(luò)。通過對不同數(shù)據(jù)集產(chǎn)生的偽桿狀物標(biāo)注進(jìn)行一次訓(xùn)練，作者的基于學(xué)習(xí)的方法可以在不同環(huán)境下檢測桿狀物，比基于幾何的方法獲得更好的定位性能。為了實(shí)現(xiàn) LiDAR 定位，在建圖階段，作者首先將原始點(diǎn)云投影到一幅Range圖像中，然后從該圖像中提取桿狀物，如下圖所示。

在獲得Range圖像中桿狀物的位置后，作者使用機(jī)器人的姿態(tài)ground-truth 將它們重新投影到全局坐標(biāo)系中，以建立一個全局地圖。在定位過程中，作者利用蒙特卡羅定位(MCL) ，通過將在線傳感器數(shù)據(jù)中檢測到的桿狀物與全局地圖中的桿狀物進(jìn)行匹配來更新粒子的重要性權(quán)重。 總之，作者提出了三個關(guān)鍵的主張，即作者的方法能夠(i)相比基線方法，提取更可靠的桿狀物場景，(ii)在不同的環(huán)境中，實(shí)現(xiàn)更好的在線定位性能，和(iii)相比基于幾何的方法，產(chǎn)生偽桿狀物標(biāo)簽訓(xùn)練桿狀物分割網(wǎng)絡(luò)，實(shí)現(xiàn)更好的定位結(jié)果和更快的運(yùn)行時間。這些主張得到了論文實(shí)驗(yàn)評估的支持。 數(shù)據(jù)集和代碼地址：https://github.com/PRBonn/pole-localization

方法論

在本文中，作者提出了一種基于Range圖像的桿狀物提取器，用于使用三維激光雷達(dá)傳感器進(jìn)行長期定位。如下圖所示，作者首先將LiDAR點(diǎn)云投影到Range圖像中，然后使用幾何或基于學(xué)習(xí)的方法從中提取桿狀物?；谒岢龅臈U狀物提取器，作者構(gòu)建了環(huán)境的全局桿狀物圖。在定位階段，作者使用相同的提取器在線提取桿狀物，并使用新的基于桿狀物的觀測模型進(jìn)行蒙特卡羅定位。

1 Range圖生成

作者方法的關(guān)鍵思想是使用從激光掃描生成的Range圖像進(jìn)行桿狀物提取。在先前的工作之后，作者利用球形投影來生成Range圖像。每個LIDAR點(diǎn)P=(x,y,z)通過映射π∶?3 ? ?2映射到球形坐標(biāo)，最后映射到圖像坐標(biāo)，如下公式所示。

此過程產(chǎn)生的一個列表，列表中包含眾多（u,v）元組，每個（u,v）包含為每個LiDAR點(diǎn)Pi的一對圖像坐標(biāo)，作者用它來生成代理表示。使用這些索引，作者提取了每個Pi的 range r,x,y,z坐標(biāo)，并將其存儲在圖像中。

2 基于幾何的桿狀物提取器

根據(jù)前一步生成的Range圖像提取桿狀物。通常的桿狀物提取算法的一個先驗(yàn)直覺是桿狀物的range值通常明顯小于背景?；谶@一思想，并按照以下算法流程中的規(guī)定。

作者的第一步是根據(jù)Range值將Range圖像的像素聚類到不同的小區(qū)域中。首先遍歷Range圖像中的所有像素，從上到下，從左到右。作者將所有具有有效Range數(shù)據(jù)的像素放在一個開放集O中。對于每個有效像素p，檢查其鄰居，包括左側(cè)、右側(cè)和下方。如果存在一個具有有效值的鄰居，并且當(dāng)前像素與其鄰居之間的Range差小于閾值 Td，作者將當(dāng)前像素添加到一個簇集c中，并將其從開放集 O中移除。作者對鄰居進(jìn)行迭代檢查，直到?jīng)]有鄰居像素滿足上述標(biāo)準(zhǔn)，然后得到一個像素簇。檢查O中的所有像素后，作者將得到一個包含多個簇的集合C，每個簇代表一個目標(biāo)。如果一個簇中的像素?cái)?shù)小于閾值Tn，作者將其視為異常值并忽略它。 下一步是使用 2D 幾何約束從這些目標(biāo)中提取桿狀物。為此，作者利用每個像素的Range信息和 3D 坐標(biāo)(x,y,z)。作者首先檢查每個集群的縱橫比。由于只對高度通常大于寬度的桿狀物體感興趣，因此作者丟棄縱橫比(h/w) < 1 的簇。作者使用的另一個啟發(fā)式方法是桿通常獨(dú)立存在并且具有與背景物體的顯著距離。N(smallR)是集群c中Range值小于其在c外鄰居的點(diǎn)的數(shù)量，如果 N(smallR)小于delta乘以集群中所有點(diǎn)的數(shù)量，作者將丟棄該集群。 為了利用每個像素的 3D 坐標(biāo) (x,y,z)，作者計(jì)算每個簇的 max(z) - min(z)，如果 max(z)-min(z) > T?，則作為候選桿狀物。此外，作者只對高度高于閾值Ha的桿感興趣。根據(jù)經(jīng)驗(yàn)，作者還為桿狀物的最低位置設(shè)置了一個閾值Hb，以過濾異常值。對于每個候選桿狀物，作者使用集群中所有點(diǎn)的 x 和 y 坐標(biāo)來擬合一個圓，得到該桿狀物的中心和半徑。作者通過檢查周圍的可用空間來過濾掉半徑過小或過大的候選目標(biāo)以及連接到其他目標(biāo)的候選目標(biāo)。經(jīng)過上述步驟，作者最終提取了桿狀物的位置和半徑。例如下圖，可視化了幾何桿狀物提取器每一步的中間結(jié)果。

3 利用偽標(biāo)簽訓(xùn)練基于學(xué)習(xí)的桿狀物分割方法

如 [11] 所示，幾何信息可用于自動生成標(biāo)簽，用于訓(xùn)練基于 LiDAR 的運(yùn)動物體分割網(wǎng)絡(luò)，并在各種環(huán)境中取得良好的性能。這種自動標(biāo)注方法能夠以自監(jiān)督的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，從而節(jié)省了大量的手動標(biāo)注工作，并提高了基于學(xué)習(xí)的方法的泛化能力。受此啟發(fā)，作者使用基于幾何的桿狀物提取器檢測到的桿狀物來生成偽標(biāo)簽來訓(xùn)練在線桿狀物分割網(wǎng)絡(luò)。 作者使用基于幾何的方法從 NCLT [5]、SemanticKITTI [2] 和 Mul-Ran [20] 數(shù)據(jù)集生成偽桿狀物標(biāo)簽。在這項(xiàng)工作中，作者沒有設(shè)計(jì)新的網(wǎng)絡(luò)架構(gòu)，而是重用過去已成功應(yīng)用于基于 LiDAR 的語義分割的網(wǎng)絡(luò)。作者采用并評估 SalsaNext [14]，這是一種編碼器-解碼器架構(gòu)，在語義分割任務(wù)上具有可靠的性能。SalsaNext [14] 在所有基于Range圖像的語義分割網(wǎng)絡(luò)中的 SemanticKITTI 數(shù)據(jù)集上實(shí)現(xiàn)了SOTA性能。因此，作者選擇它作為基于學(xué)習(xí)的方法的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)。在作者的例子中，只是將桿狀物與其他物體區(qū)分開來，而不是將環(huán)境分割成多個類別，如地面、結(jié)構(gòu)、車輛和人類。在分割之后，應(yīng)用幾何方法中使用的類似過濾步驟來去除異常值。SalsaNext 網(wǎng)絡(luò)相對輕量級，并且可以實(shí)現(xiàn)實(shí)時操作，即運(yùn)行速度比所采用的 LiDAR 傳感器的常用幀速率（Ouster 和 Velodyne 掃描儀的 10Hz）更快。有關(guān)網(wǎng)絡(luò)的更多詳細(xì)信息，作者參考原始論文 [14]。 為了訓(xùn)練分割網(wǎng)絡(luò)，作者直接向它們提供Range圖像以及從基于幾何的桿狀物提取器生成的偽桿狀物標(biāo)簽。作者使用與原始分割方法相同的損失函數(shù)，同時將所有類映射到兩類，桿狀物和非桿狀物。作者重新訓(xùn)練網(wǎng)絡(luò)并使用作者的桿狀物數(shù)據(jù)集和定位任務(wù)評估桿狀物提取性能。如下圖顯示了作者提出的基于學(xué)習(xí)的桿狀物分割方法的訓(xùn)練流程。請注意，作者使用從不同數(shù)據(jù)集生成的偽桿狀物標(biāo)簽來訓(xùn)練網(wǎng)絡(luò)，然后使用相同的模型來提取不同環(huán)境中的桿狀物。

4 基于桿狀物的建圖

為了構(gòu)建用于定位的全局建圖，作者遵循 Schaefer 等人介紹的相同設(shè)置。將軌跡ground-truth分成等長的較短段，分別提取這些段中的桿狀物，最后合并成一個全局桿狀物圖。由于提供的姿態(tài)對于建圖不是很精確[30] ，所以作者只使用每個部分的中間 LiDAR 掃描來提取桿狀物，而不是聚合一個有噪聲的子圖。通過對多個重疊桿狀物檢測的中心和半徑進(jìn)行平均，合并多個重疊桿狀物檢測，并應(yīng)用計(jì)數(shù)模型對動態(tài)目標(biāo)進(jìn)行濾波。只有那些在連續(xù)剖面中出現(xiàn)多次的候選桿狀物被添加到地圖中。

5 蒙特卡羅定位

蒙特卡羅定位(MCL)通常使用粒子濾波器實(shí)現(xiàn)[16]。MCL 實(shí)現(xiàn)了一種估計(jì)概率密度的遞推貝葉斯濾波器。具體的公式見下圖：

在作者的例子中，每個粒子表示機(jī)器人在時間 t 時的二維姿態(tài) xt = (x，y，delta) t 的一個假設(shè)。當(dāng)機(jī)器人移動時，每個粒子的姿態(tài)都是基于一個運(yùn)動模型和控制輸入 u 或里程測量更新的。對于觀測模型，基于期望觀測值與實(shí)際觀測值的差異更新粒子的權(quán)重。觀測結(jié)果是桿狀物的位置。作者使用 k-d 樹通過最近鄰搜索將在線觀測的桿狀物與地圖中的桿狀物進(jìn)行匹配。第j個粒子的最大似然使用高斯分布進(jìn)行近似：

作者使用桿狀物位置之間的歐氏距離度量來測量這種差異。公式中的常數(shù)考慮了檢測到的桿狀物不是地圖一部分的可能性。當(dāng)存在許多異常值時，這個常數(shù)對于定位的魯棒性是至關(guān)重要的。如果有效粒子的數(shù)量低于閾值[19] ，則觸發(fā)重采樣過程，并根據(jù)粒子的權(quán)重對其進(jìn)行采樣。

實(shí)驗(yàn)

這項(xiàng)工作的主要重點(diǎn)是為長期LiDAR定位獲得一個準(zhǔn)確和高效的桿狀物提取器。作者展示實(shí)驗(yàn)，以顯示作者的方法的效果。實(shí)驗(yàn)進(jìn)一步支持了作者的關(guān)鍵主張，作者的方法能夠: (i)比基線方法提取更可靠的桿狀物，因此，(ii)在不同的環(huán)境中實(shí)現(xiàn)更好的在線定位性能，和(iii)相比幾何方法，產(chǎn)生偽桿狀物標(biāo)簽訓(xùn)練桿狀物分割網(wǎng)絡(luò)實(shí)現(xiàn)更好的定位結(jié)果和更快的運(yùn)行時間。

1 桿狀物提取和LiDAR定位數(shù)據(jù)集

很少有公共數(shù)據(jù)集可用于評估桿狀物提取性能。為此，作者手工標(biāo)注了2012-01-08會議的 NCLT 數(shù)據(jù)集中的桿狀物，并將其發(fā)布用于公共研究。由于原始的 NCLT 姿態(tài)ground-truth是不準(zhǔn)確的[30] ，聚合的點(diǎn)云有點(diǎn)模糊。因此，為了創(chuàng)建環(huán)境的桿狀物ground-truth圖，作者將軌跡ground-truth劃分為等長的較短段。對于每個片段，作者將點(diǎn)云聚合在一起，并使用 Open3D [46]來渲染和標(biāo)注桿狀物位置。作者只給這些桿狀物貼上高度確定的標(biāo)簽，而忽略那些模糊的。除了作者自己的標(biāo)注數(shù)據(jù)之外，作者還通過提取交通標(biāo)志，桿子和樹干等桿狀物目標(biāo)來重組 SemanticKITTI [2]數(shù)據(jù)集序列00-10，然后聚類點(diǎn)云以生成桿狀物實(shí)例ground-truth。 為了評估作者方法的定位可靠性和準(zhǔn)確性，作者使用 NCLT 數(shù)據(jù)集[5]和 MulRan 數(shù)據(jù)集[20]。這兩個數(shù)據(jù)集是在不同的環(huán)境(美國，韓國)和不同的激光雷達(dá)傳感器(Velodyne HDL-32E，Ouster OS1-64)中收集的。在這兩個數(shù)據(jù)集中，機(jī)器人多次通過具有月級時間間隔的同一地點(diǎn)，因此是測試長期定位性能的理想選擇。將作者的方法與 Schaefer 等[30]提出的基于桿狀物的方法和 Chen 等[13]提出的基于Range圖像的方法進(jìn)行了比較。作者使用公共可用代碼重現(xiàn)他們的結(jié)果。對于 SemanticKITTI 數(shù)據(jù)集，不同序列之間沒有用于評估長期定位的重疊區(qū)域。因此，作者只使用從 SemanticKITTI 數(shù)據(jù)集中提取的桿狀物標(biāo)簽來訓(xùn)練作者的網(wǎng)絡(luò)。下圖顯示了作者提出的桿狀物數(shù)據(jù)集的例子。

2 桿狀物提取性能

第一個實(shí)驗(yàn)評估了該方法的桿狀物提取性能，并支持了基于Range圖像的桿狀物提取方法優(yōu)于基線方法的結(jié)論。作者評估了基于幾何的桿狀物提取器，命名為ours-G，和作者的基于學(xué)習(xí)的桿狀物分割方法，命名為ours-L。為了訓(xùn)練桿狀物分割網(wǎng)絡(luò)，作者使用來自多個數(shù)據(jù)集的數(shù)據(jù)，包括 NCLT 數(shù)據(jù)集中的2012-01-08會話，MulRan 數(shù)據(jù)集中的序列 KAIST 02和 Se-manticKITTI 數(shù)據(jù)集中的序列00-02,05-09。為了驗(yàn)證，作者在 SemanticKITTI 數(shù)據(jù)集中使用序列03和04，在測試中使用序列10。作者使用初始學(xué)習(xí)率為0.01的隨機(jī)梯度下降對網(wǎng)絡(luò)進(jìn)行150個epoch的訓(xùn)練，學(xué)習(xí)率衰減為0.01。批量大小為12，空間dropout概率為0.2。Range圖像的尺寸為32 × 256，有效Range值在0 ~ 1之間進(jìn)行歸一化處理。為了防止過擬合，作者增加了數(shù)據(jù)應(yīng)用隨機(jī)旋轉(zhuǎn)或平移，隨機(jī)翻轉(zhuǎn)周圍的 y 軸的概率為0.5。在匹配階段，作者使用一個1m Range范圍的 k-d 樹通過最近鄰搜索找到匹配。下表總結(jié)了作者的方法和 Schaefer 等[30]關(guān)于 NCLT 數(shù)據(jù)集和 Se-manticKITTI 數(shù)據(jù)集的桿狀物groundtruth圖的精確度，召回率和 F1評分。可以看到，與基線方法相比，作者的方法在兩種環(huán)境下都獲得了更好的性能和更多的桿狀物提取。

與作者的基于幾何的桿狀物提取器相比，基于學(xué)習(xí)的方法發(fā)現(xiàn)更多的桿狀物，同時引入更多的假陽性，這降低了精度。這也可以在下圖中看到，它顯示了作者的幾何和基于學(xué)習(xí)的桿狀物提取器桿狀物提取的例子。請注意，作者只訓(xùn)練一次桿狀物分割網(wǎng)絡(luò)，使用不同數(shù)據(jù)集生成的偽桿狀物標(biāo)簽，但在多個不同的數(shù)據(jù)集評估它。如下圖，不同數(shù)據(jù)集的環(huán)境差異很大，而作者的基于學(xué)習(xí)的方法仍然可以很好地提取桿狀物而不需要進(jìn)行微調(diào)，這表明作者的方法具有很好的泛化能力。

這可能是因?yàn)闂U狀物的Range值通常與背景有顯著的不同，這使得桿狀物與眾不同，并且很容易在Range圖像上被檢測到。與多類分割相比，神經(jīng)網(wǎng)絡(luò)更容易學(xué)習(xí)一個更一般的模型來檢測基于Range圖像的桿狀物[10]。此外，基于學(xué)習(xí)的方法比基于幾何的方法具有更高的召回率，但精度較低，這意味著基于學(xué)習(xí)的方法檢測出更多的真陽性，但也有更多的假陽性。作者將檢測到的桿狀物作為 MCL 的標(biāo)志，這是一個非常健壯的概率定位系統(tǒng)。因此，定位性能不會受到少量誤報(bào)的影響，而是受益于更高的召回率和更多的地標(biāo)。

3 定位性能

第二個實(shí)驗(yàn)是為了支持作者的方法在不同環(huán)境中實(shí)現(xiàn)了更高的定位精度這一說法。對于所有實(shí)驗(yàn)，作者使用與基線相同的設(shè)置，并報(bào)告原始工作的結(jié)果。

NCLT數(shù)據(jù)集上的定位

NCLT 數(shù)據(jù)集包含27個會話，平均長度為5.5公里，平均持續(xù)時間為1.3小時，持續(xù)時間為15個月。這些數(shù)據(jù)記錄在一年中不同的時間，不同的天氣和季節(jié)，包括室內(nèi)和室外環(huán)境，還有大量的動態(tài)目標(biāo)。不同會話的軌跡有很大的重疊。因此，它是在城市環(huán)境中測試長期定位的理想數(shù)據(jù)集。作者首先根據(jù) Schaefer 等[30]介紹的設(shè)置構(gòu)建地圖，該設(shè)置使用第一次會話的激光掃描和姿態(tài)ground-truth。由于在以后的會話中，機(jī)器人有時會在第一個會話中移動到看不見的地方，因此作者也使用那些位置與之前訪問過的所有姿勢相距10米的掃描來構(gòu)建地圖。在定位過程中，作者使用了1000個粒子，并使用與 Schaefer 等人相同的初始化方法[30] ，通過在2.5米圓周內(nèi)圍繞第一個姿態(tài)ground-truth的均勻采樣位置。取向是從 -5度到5度均勻取樣的。當(dāng)有效粒子數(shù)小于50% 時，重新采樣粒子。為了獲取姿態(tài)估計(jì)，作者使用了最好的10%粒子的平均姿態(tài)。 下表顯示每個會話的位置和方向誤差。作者進(jìn)行了10次定位，計(jì)算了軌跡ground-truth的平均均值和均方根誤差。結(jié)果表明，作者的幾何學(xué)和基于學(xué)習(xí)的方法在幾乎所有會話上都超過了 Schaefer 等[30] ，平均誤差分別為0.174米和0.164米。此外，在2013-02-23會話中，基線方法未能定位，導(dǎo)致誤差為2.470米，而作者的方法從未丟失機(jī)器人位置的軌跡(下圖)。這是因?yàn)樽髡叩臈U狀物提取器能夠在桿狀物較少的環(huán)境中也能夠強(qiáng)有力地提取桿狀物。Schaefer 等[31]在2013-02-23會議上分析了他們的定位失敗，原因是建筑區(qū)域的油桶在后面的會話中被移動到右邊幾米。由于這些桶通過其方法被檢測為桿狀物，因此它們被構(gòu)建在地圖中，并導(dǎo)致錯誤的桿狀物與該區(qū)域的地圖匹配。在作者的桿狀物提取算法中，丟棄那些半徑過大的極點(diǎn)。因此，這些桶不是作者地圖的一部分，定位不會受到這些桶移動的影響。有趣的是，在大多數(shù)會話中，作者基于學(xué)習(xí)的方法比基于幾何的方法更能提高定位結(jié)果。這可能是由于使用不同環(huán)境生成的偽標(biāo)簽訓(xùn)練的更一般的桿狀物分割模型引起的。

MulRan數(shù)據(jù)集 上的定位

為了進(jìn)一步顯示作者方法的泛化能力，測試了基于幾何和基于學(xué)習(xí)的方法在MulRan數(shù)據(jù)集上的效果。這些數(shù)據(jù)來自于不同環(huán)境下的不同類型的激光雷達(dá)傳感器。作者使用 MulRan 數(shù)據(jù)集 KAIST 02序列(2019-08-23收集)來構(gòu)建全局地圖，并使用 KAIST 01序列(2019-06-20收集)進(jìn)行定位。下表顯示了 MulRan 數(shù)據(jù)集的定位和偏航角 RMSE 誤差?？梢钥闯?，作者的幾何和基于學(xué)習(xí)的方法始終比基線方法獲得更好的性能[30,13]。請注意，作者只訓(xùn)練桿狀物分割一次，并且在應(yīng)用到新環(huán)境時沒有進(jìn)行任何微調(diào)。

4 運(yùn)行時間

這個實(shí)驗(yàn)是為了支持作者的方法以傳感器幀速率在線運(yùn)行的說法而進(jìn)行的。如下表所示。作者的方法與 Schaefer 等[30]在三個不同數(shù)據(jù)集上提出的基線方法進(jìn)行比較，包括 NCLT (會議2012-01-08) ，KITTI (序列09)和 MulRan (KAIST 02)數(shù)據(jù)集。正如他們的論文所報(bào)道的，在 NCLT 數(shù)據(jù)集上，使用 GPU 在 PC 上進(jìn)行桿狀物提取的基線方法平均需要1.33秒。作者在沒有使用 GPU 的情況下測試了的基于幾何的方法，此方法只需要0.09 s 的桿狀物提取，所有 MCL 步驟都小于0.1 s，比通常使用的10Hz 的 LiDAR 幀速率產(chǎn)生更快的運(yùn)行時間。 Schaefer 和作者的基于幾何的桿狀物提取器的性能都受到輸入數(shù)據(jù)大小的影響，這是定位精度和定位速度之間的權(quán)衡。為了獲得良好的幾何定位效果，作者對 NCLT 采用了32 × 256的Range像素尺寸，對 KITTI 和 MulRan 采用了64 × 500的Range圖像尺寸，這導(dǎo)致了運(yùn)行性能的下降。然而，作者的基于學(xué)習(xí)的方法不受輸入數(shù)據(jù)大小的影響。作者將網(wǎng)絡(luò)輸入的大小定為32 × 256，并且作者的網(wǎng)絡(luò)始終在一個單一的 GPU 上具有良好的定位性能，這顯示了作者提出的基于學(xué)習(xí)的方法的明顯優(yōu)勢。

總結(jié)

本文提出了一種新的基于距離像的幾何特征桿狀物提取方法，用于激光雷達(dá)在線長期定位。作者的方法利用激光雷達(dá)掃描產(chǎn)生的Range圖像。這允許作者的方法快速處理點(diǎn)云數(shù)據(jù)并在線運(yùn)行。進(jìn)一步利用幾何桿狀物提取器檢測到的桿狀物作為偽標(biāo)注，訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)進(jìn)行在線桿狀物分割。作者的基于學(xué)習(xí)的桿狀物提取器可以在不進(jìn)行微調(diào)的情況下推廣到不同類型的數(shù)據(jù)集，盡管不同數(shù)據(jù)集的環(huán)境變化很大。作者在多個不同的數(shù)據(jù)集上實(shí)現(xiàn)并評估了作者的方法，并提供了與其他現(xiàn)有技術(shù)的比較，支持本文中提出的所有主張。實(shí)驗(yàn)結(jié)果表明，與基線方法相比，基于幾何和基于學(xué)習(xí)的方法能夠準(zhǔn)確地提取環(huán)境中更多的桿狀物，在長期定位任務(wù)中取得更好的性能。此外，作者發(fā)布了作者的實(shí)現(xiàn)和桿狀物數(shù)據(jù)集，以供其他研究人員評估他們的算法。在未來，作者計(jì)劃探討其他特征如道路標(biāo)記，路緣和交叉口特征的使用，以提高作者的方法的魯棒性。 審核編輯：郭婷