簡(jiǎn)介

激光雷達(dá)作為自動(dòng)駕駛中最常用的傳感器之一，由于其深度感知特性優(yōu)良，這也讓以激光SLAM為主的SLAM方法被廣泛應(yīng)用。

但是我們發(fā)現(xiàn)在人員密集，車輛密集的場(chǎng)景經(jīng)常會(huì)造成點(diǎn)云定位效果不佳，而這些情況傳統(tǒng)濾波方法是沒(méi)有辦法解決的。

本篇將主要圍繞著深度學(xué)習(xí)的方法來(lái)講述激光雷達(dá)分割的問(wèn)題。

1. SLAM配準(zhǔn)與建圖

無(wú)論哪種點(diǎn)云配準(zhǔn)方式（點(diǎn)到點(diǎn)/點(diǎn)到特征/點(diǎn)到柵格/NDT），都是基于靜態(tài)假設(shè)的，理論上動(dòng)態(tài)點(diǎn)一定會(huì)影響配準(zhǔn)的精度，當(dāng)然這一點(diǎn)用于建好地圖的定位也同樣適用。

當(dāng)一幀中如果動(dòng)態(tài)點(diǎn)比例過(guò)高的話，會(huì)造成軌跡精度下降，甚至不排除跑飛的可能。

在這個(gè)層面，只能通過(guò)實(shí)時(shí)的方式在配準(zhǔn)之前或配準(zhǔn)過(guò)程中，識(shí)別并干掉動(dòng)態(tài)點(diǎn)。

如果我們認(rèn)為動(dòng)態(tài)物體對(duì)配準(zhǔn)的干擾有限，不太影響軌跡精度，但我們還是無(wú)法忍受最終生成的地圖中充斥著大量動(dòng)態(tài)物體的“鬼影”（如下圖所示）。

這會(huì)對(duì)后期基于地圖的定位、或者基于地圖的可行域規(guī)劃（路徑規(guī)劃）產(chǎn)生不利的影響。

1.1 傳統(tǒng)配準(zhǔn)思路—-通過(guò)聚類+卡爾曼濾波預(yù)測(cè)過(guò)濾動(dòng)態(tài)障礙物

傳統(tǒng)方式比如在配準(zhǔn)迭代過(guò)程中剔除距離過(guò)遠(yuǎn)的點(diǎn)，物檢測(cè)流程一般如下：

考慮到車上有多個(gè)傳感器共同作業(yè)，需要對(duì)輸入的激光點(diǎn)云做時(shí)間同步和外參標(biāo)定。

考慮到激光雷達(dá)的采樣噪聲和點(diǎn)云數(shù)據(jù)量大的問(wèn)題，需要對(duì)點(diǎn)云做預(yù)處理，減少數(shù)據(jù)量，剔除噪聲點(diǎn)。

每幀點(diǎn)云數(shù)據(jù)中包含了大量的地面點(diǎn)，檢測(cè)的目的是獲取道路障礙物信息，需要進(jìn)一步分割出地面上的點(diǎn)云。

地面上的障礙物點(diǎn)通常采用無(wú)監(jiān)督的聚類算法形成多個(gè)團(tuán)簇，每個(gè)團(tuán)簇則表示一個(gè)障礙物。

針對(duì)團(tuán)簇的物體識(shí)別可以根據(jù)任務(wù)需求而定，如果需要類別信息，可以采用特征提取+分類器的方式分類障礙物。

對(duì)每一塊團(tuán)簇做包圍框擬合，計(jì)算障礙物屬性，比如中心點(diǎn)，質(zhì)心點(diǎn)，長(zhǎng)寬高等。

對(duì)每一個(gè)障礙物構(gòu)建一個(gè)卡爾曼濾波器做跟蹤，平滑輸出，從而來(lái)判斷是否運(yùn)動(dòng)。

1.2 傳統(tǒng)配準(zhǔn)思路—-適用submap來(lái)精配準(zhǔn)

“RF-LIO: Removal-First Tightly-coupled Lidar Inertial dometry in High Dynamic Environments ”，這項(xiàng)工作就是傳統(tǒng)的匹配濾波的思路。

它建立在 LIO-SAM 的基礎(chǔ)上，先剔除是指所提出的RF-LIO首先去除沒(méi)有準(zhǔn)確姿勢(shì)的運(yùn)動(dòng)物體，然后采用 scan-matching 。

當(dāng)新的scan到達(dá)時(shí)，RF-LIO不會(huì)立即執(zhí)行掃描匹配以獲得準(zhǔn)確的位姿，因?yàn)樗苋菀资艿絼?dòng)態(tài)環(huán)境的影響。

相反，我們使用緊耦合慣性測(cè)量單元 (IMU) 里程計(jì)來(lái)獲得粗略的初始狀態(tài)估計(jì)，然后 RF-LIO 可以利用自適應(yīng)分辨率距離圖像初步去除環(huán)境中的運(yùn)動(dòng)點(diǎn)。

在初步去除運(yùn)動(dòng)點(diǎn)后，RF-LIO 使用 scan-matching 來(lái)獲得相對(duì)更準(zhǔn)確的位姿。

在精配準(zhǔn)迭代過(guò)程中，不斷基于初值和多分辨率深度圖檢測(cè)submap中的動(dòng)態(tài)點(diǎn)并移除，最終實(shí)現(xiàn)基于“靜態(tài)submap”的精配準(zhǔn)。

因此，即使在高動(dòng)態(tài)環(huán)境中也可以獲得準(zhǔn)確的姿勢(shì)。

實(shí)驗(yàn)結(jié)果表明，在高動(dòng)態(tài)環(huán)境下與 LOAM 和 LIO-SAM 相比，所提出的 RF-LIO 的絕對(duì)軌跡精度可以分別提高 90% 和 70%。

RF-LIO 的總體框架，它由三個(gè)主要模塊組成：IMU 預(yù)積分、特征提取和建圖。首先，IMU 預(yù)積分模塊用于推斷系統(tǒng)運(yùn)動(dòng)并生成 IMU 里程計(jì)。

然后，特征提取模塊補(bǔ)償點(diǎn)云的運(yùn)動(dòng)畸變。通過(guò)評(píng)估點(diǎn)的粗糙度來(lái)提取邊緣和平面特征。

建圖模塊是我們提出方法的關(guān)鍵模塊，要在沒(méi)有準(zhǔn)確位姿的情況下先去除動(dòng)態(tài)物體，

有幾個(gè)關(guān)鍵步驟：

初始位姿是通過(guò) IMU 里程計(jì)獲得的。

然后使用 IMU 預(yù)積分和 scan-matching 之間的誤差來(lái)確定初始分辨率（即每個(gè)像素對(duì)應(yīng)多少個(gè) FOV 角度）。

RF-LIO 使用此初始分辨率從當(dāng)前激光雷達(dá)掃描和相應(yīng)的子圖分別構(gòu)建距離圖像。

通過(guò)比較它們的能見(jiàn)度，去除子圖的大部分動(dòng)態(tài)點(diǎn)。

RF-LIO 將激光雷達(dá)掃描與子圖進(jìn)行匹配，并判斷 scan-matching 是否收斂。

如果是收斂的，經(jīng)過(guò)圖優(yōu)化后，用最終的高分辨率去除當(dāng)前關(guān)鍵幀中剩余的動(dòng)態(tài)點(diǎn)，否則，將生成新的分辨率，并重復(fù)步驟2、3、4。

1.3 現(xiàn)代配準(zhǔn)思路—-通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)動(dòng)態(tài)物體識(shí)別

而當(dāng)前更流行的方式則是基于deep-learning直接識(shí)別出動(dòng)態(tài)物體并將點(diǎn)云去除。

“Dynamic Object Aware LiDAR SLAM based on Automatic Generation of Training Data ”。

作者基于deep-learning（3D-MiniNet網(wǎng)絡(luò)）進(jìn)行實(shí)時(shí)3D動(dòng)態(tài)物體檢測(cè)，濾除動(dòng)態(tài)物體后的點(diǎn)云被喂給LOAM，進(jìn)行常規(guī)的激光SLAM。

文中提到為了克服動(dòng)態(tài)障礙物的問(wèn)題并支持機(jī)器人在現(xiàn)實(shí)世界場(chǎng)景中的部署，文章提出了一個(gè)用于動(dòng)態(tài)對(duì)象感知激光雷達(dá)SLAM算法。

文中提出了一種新穎的端到端占用網(wǎng)格管道，可以自動(dòng)標(biāo)記各種各樣的任意動(dòng)態(tài)對(duì)象。

從結(jié)果中，我們可以大致看出其可以有效地對(duì)動(dòng)態(tài)障礙物完成分割。

2. 動(dòng)態(tài)物體濾除

2.1 環(huán)境物體分類

環(huán)境中的所有物體依據(jù)“動(dòng)態(tài)程度”的不同，分為四類：

高動(dòng)態(tài)物體：實(shí)時(shí)移動(dòng)的物體，如行人、車輛、跑動(dòng)的寵物…

低動(dòng)態(tài)物體：短暫停留的物體，如站在路邊短暫交談的人…

半靜態(tài)物體：在一個(gè)SLAM周期中不動(dòng)，但是并非永遠(yuǎn)不動(dòng)的物體，如停車場(chǎng)的車輛、堆放的物料、臨時(shí)工棚、臨時(shí)圍墻、商場(chǎng)中臨時(shí)搭建的舞臺(tái)…

靜態(tài)物體：永遠(yuǎn)不動(dòng)的物體，如建筑物、馬路、路沿、交通信號(hào)燈桿…

除了靜態(tài)物體外的其它三類物體，都有不同程度上的動(dòng)態(tài)屬性，應(yīng)對(duì)策略也各不相同：

針對(duì)高動(dòng)態(tài)物體：在線實(shí)時(shí)過(guò)濾

針對(duì)低動(dòng)態(tài)物體：一次SLAM過(guò)程結(jié)束后，后處理方式過(guò)濾

針對(duì)半靜態(tài)物體：全生命周期建圖（life-longmapping, or long-term mapping）

2.2 實(shí)時(shí)點(diǎn)云過(guò)濾

實(shí)時(shí)動(dòng)態(tài)點(diǎn)云過(guò)濾一定需要參考幀來(lái)比對(duì)出動(dòng)態(tài)點(diǎn)，上面一節(jié)主要講述的就是動(dòng)態(tài)點(diǎn)云濾除的操作，主要是分為傳統(tǒng)濾除方法以及深度學(xué)習(xí)濾除方法。

在深度學(xué)習(xí)方面基本思路就是先通過(guò)深度學(xué)習(xí)完成動(dòng)態(tài)障礙物的分割，然后將分割好的點(diǎn)云數(shù)據(jù)放入SLAM當(dāng)中。

這里主要闡述一個(gè)基于深度學(xué)習(xí)的三維激光雷達(dá)動(dòng)態(tài)物體分割（LiDAR-MOS）方法，論文提出了一種利用深度學(xué)習(xí)和時(shí)空信息結(jié)合的方法實(shí)現(xiàn)了三維激光雷達(dá)動(dòng)態(tài)物體分割，并用以提高激光雷達(dá)SLAM定位和建圖的精度。

在這項(xiàng)工作中，我們的目標(biāo)是對(duì) LiDAR 數(shù)據(jù)進(jìn)行動(dòng)態(tài)物體分割 （LiDAR MOS）。

在這項(xiàng)工作中，與點(diǎn)云語(yǔ)義分割不同的是我們的任務(wù)不是要預(yù)測(cè)點(diǎn)云的語(yǔ)義類別，如車輛、道路、建筑物等，而是更專注于將場(chǎng)景分割成兩部分：

一部分是實(shí)際移動(dòng)的物體，例如正在行駛的汽車、行人，另一部分是靜態(tài)物體，例如停放的汽車和靜態(tài)背景，例如道路和建筑物等。

我們提出了一種新的基于深度學(xué)習(xí)的方法，該方法利用 LIDAR 距離圖像（range image），運(yùn)算速度非常快，能夠?qū)崿F(xiàn)在線實(shí)時(shí)點(diǎn)云動(dòng)態(tài)物體分割。

上面所展示的是該方法的概述圖。我們使用基于距離圖像的 LiDAR 表示方式和神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)在線動(dòng)態(tài)物體分割。

給定當(dāng)前激光雷達(dá)觀測(cè)和過(guò)去的激光雷達(dá)數(shù)據(jù)，我們首先生成過(guò)去LiDAR數(shù)據(jù)和當(dāng)前 LiDAR 觀測(cè)之間的“殘差圖像”（residual image），通過(guò)這種方式，我們可以得到時(shí)間上的序列信息。

生成殘差圖像后，我們將殘差圖與當(dāng)前掃描連接到一起，一同用作神經(jīng)網(wǎng)絡(luò)的輸入。

然后我們利用所提出的動(dòng)態(tài)物體二分類標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò)，該標(biāo)簽僅包含移動(dòng)和非移動(dòng)的兩個(gè)類別。

最終，所提出的方法可以實(shí)現(xiàn)對(duì)激光雷達(dá)數(shù)據(jù)中動(dòng)靜物體的檢測(cè)和分離。

2.3后處理點(diǎn)云過(guò)率

后處理方式由于不需要顧慮實(shí)時(shí)性，因此可以將整個(gè)SLAM周期內(nèi)的所有幀作為參考信息，來(lái)識(shí)別動(dòng)態(tài)點(diǎn)。

相比于實(shí)時(shí)方式，后處理方式更追求動(dòng)態(tài)點(diǎn)云濾除的準(zhǔn)確性和充分性。

以后處理方式為前提，常見(jiàn)的動(dòng)態(tài)物體過(guò)濾方法可以分為典型的三類：segmentation-based, ray-casting based, 和 visibility-based

visibility-based其基本思路是，把一個(gè)queryscan投影為深度圖，然后在同一視點(diǎn)把queryscan附近的submap也投影為一個(gè)深度圖，比對(duì)兩個(gè)深度圖上同一位置的像素深度。

如果后者深度更淺，則該像素位置對(duì)應(yīng)submap上的點(diǎn)為動(dòng)態(tài)點(diǎn)（前方的點(diǎn)把后方的點(diǎn)遮擋了，則前方的點(diǎn)為動(dòng)態(tài)點(diǎn)）。

Remove, then Revert: Static Point cloud Map Construction using Multiresolution Range Images

這篇文章以此為基本原理，做了諸多改進(jìn)，并用更粗糙分辨率的深度圖對(duì)比來(lái)恢復(fù)被誤殺的靜態(tài)點(diǎn)。

本文為基于視點(diǎn)可見(jiàn)性（或基于深度圖）的方法提供了參考。

2.4life-long建圖

life-long mapping的核心問(wèn)題，其實(shí)遠(yuǎn)不止動(dòng)態(tài)/半靜態(tài)物體過(guò)濾。

動(dòng)態(tài)/半靜態(tài)物體過(guò)濾只是life-long過(guò)程中不同session之間地圖融合的一部分。

LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping提出一個(gè)long-term的點(diǎn)云建圖系統(tǒng)

其基本結(jié)構(gòu)如下：

Multi-session SLAM優(yōu)化

不同時(shí)間構(gòu)建的點(diǎn)云地圖diff檢測(cè)

地圖更新和長(zhǎng)期地圖管理

Multi-session SLAM:

每個(gè)session的點(diǎn)云地圖通過(guò)關(guān)鍵幀構(gòu)建，對(duì)不同session的關(guān)鍵幀進(jìn)行anchor node檢測(cè)，基于anchor幀構(gòu)建的閉環(huán)因子實(shí)現(xiàn)Multi-session之間offset的修正。

在保證單個(gè)session pose最優(yōu)的情況下，Multi-session之間的pose也是對(duì)齊的；

diff檢測(cè)：

首先會(huì)對(duì)新session的每一幀點(diǎn)云劃分動(dòng)態(tài)點(diǎn)檢測(cè)，動(dòng)態(tài)點(diǎn)會(huì)劃分為高動(dòng)態(tài)（HD）和低動(dòng)態(tài) (LD) 兩種，高動(dòng)態(tài)的點(diǎn)會(huì)在單次建圖完成后直接去除，低動(dòng)態(tài)的點(diǎn)會(huì)根據(jù)kd-tree閾值區(qū)分。

地圖更新和長(zhǎng)期地圖管理

構(gòu)造兩種類型的靜態(tài)地圖：移除弱PD的meta map和保留弱PD的live map。metamap和livemap的示例如圖3所示。

在live map中，場(chǎng)景的最新表示將得到有效維護(hù)。在meta map中，non-volume-maximizing points被迭代刪除（紅色框），而其他永久結(jié)構(gòu)保留。

我們可以發(fā)現(xiàn)該life-long算法在第二部分也是對(duì)靜態(tài)和半靜態(tài)進(jìn)行了濾波

3. 有所思考

目前眾多的開(kāi)源方案中，基本上只要用了自己的數(shù)據(jù)集，就很少能達(dá)到論文展示的效果。

一種方法即使在理論上是完備的，實(shí)際中受限于雷達(dá)線束密集程度，軌跡誤差等因素，也不可能達(dá)到理想的效果。

目前但就過(guò)濾動(dòng)態(tài)障礙物而言，個(gè)人還是提倡使用深度學(xué)習(xí)，因?yàn)閭鹘y(tǒng)的PCL的RANSEC過(guò)濾方法難以滿足真實(shí)場(chǎng)景下的需求。

上文提到的實(shí)時(shí)處理/后處理/life-long處理這三種方法本質(zhì)上基本一致，只是面對(duì)不同的需求設(shè)計(jì)了相似的方法，完全可以替換

可以嘗試多傳感器融合來(lái)規(guī)避這些問(wèn)題，像激光、視覺(jué)、慣導(dǎo)里程等，因?yàn)橥ǔ－h(huán)境變化不會(huì)對(duì)所有傳感器產(chǎn)生影響

也有人指出對(duì)于機(jī)器人來(lái)說(shuō)SLAM的目的還是用來(lái)導(dǎo)航，導(dǎo)航只關(guān)心機(jī)器人對(duì)自身位置的感知，并不關(guān)心地圖是不是有誤差，所以可以使用位姿的拓?fù)鋱D來(lái)代替這類點(diǎn)云地圖。

審核編輯：劉清