Open Source Robotics

Una colección curada de proyectos, herramientas y software de robótica de código abierto de alta calidad.

Scan Matching

  • También llamado: scan registration, point cloud registration
  • Categoría: State estimation & navigation › Localisation
  • Etiquetas: lidar, localization, slam, point-clouds, registration

Estimación de la transformación rígida que alinea un escaneo de distancias con otro escaneo o con un mapa; se usa en la odometría LiDAR, la localización y el SLAM para convertir datos de distancia en bruto en estimaciones de pose.

Definición

Emparejamiento de escaneos (scan matching) toma un nuevo escaneo de distancias de un LiDAR, un sonar o un sensor de profundidad y encuentra la rotación y la traslación que mejor lo alinean con una referencia: el escaneo anterior, un mapa local reciente o un mapa global. La transformación resultante es una medida de cómo se ha movido el sensor o de dónde está. Es la operación central de la odometría LiDAR, de la localización basada en mapas de los robots con ruedas y de los front ends de la mayoría de los sistemas de SLAM con LiDAR. El emparejamiento escaneo a escaneo es sencillo pero acumula deriva rápidamente; el emparejamiento escaneo a mapa alinea cada nuevo escaneo con un mapa acumulado, lo que reduce la deriva y hace la estimación menos sensible a los escaneos individuales dispersos.

Hay varias familias de métodos. Los métodos basados en puntos, como Iterative Closest Point (ICP) y sus variantes punto a plano y generalizada, alternan entre buscar correspondencias y resolver la transformación. La transformada de distribuciones normales (NDT), introducida por Biber y Straßer (2003), representa la referencia como una rejilla de distribuciones gaussianas locales y maximiza la verosimilitud del nuevo escaneo bajo ellas. El emparejamiento correlativo de escaneos, descrito por Olson (2009), busca sobre un conjunto discretizado de poses frente a una rejilla de probabilidad, lo que tolera estimaciones iniciales deficientes. Los métodos basados en características, popularizados por LOAM (Zhang y Singh, 2014), extraen puntos de borde y planares y los emparejan con líneas y planos del mapa, lo que reduce el cómputo. Los emparejadores 2D basados en rejillas también están en el núcleo de paquetes de SLAM láser como Hector SLAM y Cartographer.

La mayoría de los emparejadores de escaneos solo convergen localmente y necesitan una estimación inicial razonable, normalmente de la IMU, de la odometría de ruedas o de un modelo de velocidad constante. Fallan en situaciones previsibles: pasillos largos, túneles y campos abiertos donde la geometría restringe mal algunas direcciones; objetos en movimiento que parecen estructura; y la distorsión por movimiento cuando el sensor se mueve durante un mismo barrido, que debe corregirse eliminando la distorsión de los puntos con datos de la IMU. Los buenos sistemas inspeccionan la hessiana o la covarianza de cada emparejamiento para detectar direcciones débilmente restringidas y ponderan el resultado en consecuencia al fusionarlo con otros sensores.

Por qué importa

Los sensores de distancia dan una geometría precisa, pero no una pose directa. El emparejamiento de escaneos es la forma en que esa geometría se convierte en estimaciones de movimiento y de posición, por lo que su precisión y sus modos de fallo determinan en gran medida el rendimiento de la navegación basada en LiDAR.

Aplicaciones clave

  • Odometría LiDAR y SLAM
  • Localización de robots de almacén y de servicio frente a un mapa previo
  • Verificación de candidatos a cierre de bucle entre escaneos distantes
  • Alineación de escaneos para mapeo 3D y topografía
  • Calibración extrínseca entre varios LiDAR

En la práctica

En un robot terrestre con un LiDAR 3D giratorio, primero se elimina la distorsión de cada barrido usando la rotación medida por la IMU y después se extraen los puntos característicos de borde y planares. Partiendo de la pose predicha por la IMU, las características del fotograma clave actual se emparejan con un mapa de características construido a partir de fotogramas clave anteriores, y la transformación resuelta entra en el estimador como un factor de odometría LiDAR, como en sistemas LiDAR-visual-inerciales como LVI-SAM. En un pasillo largo y sin rasgos, el emparejamiento restringe solo débilmente el movimiento a lo largo del eje del pasillo, por lo que el equipo comprueba los valores propios de la hessiana del emparejamiento y deja que las medidas de la IMU y visuales sostengan esa dirección hasta que la geometría mejore.

Ideas erróneas comunes

  • El emparejamiento de escaneos y el ICP son lo mismo — el ICP es un algoritmo de emparejamiento de escaneos entre varios, junto con los métodos NDT, correlativos y basados en características
  • Un buen emparejador de escaneos funciona sin estimación inicial — la mayoría de los métodos solo convergen localmente y necesitan una pose previa de la odometría o de una IMU
  • El emparejamiento de escaneos restringe todas las direcciones por igual — en pasillos, túneles y zonas abiertas la geometría puede dejar algunas direcciones casi sin restringir

Quién debería saberlo

  • Ingenieros de SLAM con LiDAR y de localización
  • Desarrolladores de navegación de robots móviles
  • Equipos de percepción de vehículos autónomos
  • Ingenieros de topografía y cartografía

Tecnologías relacionadas

  • Normal Distributions Transform (NDT)
  • Generalized ICP
  • LOAM
  • Cartographer
  • Point Cloud Library (PCL)
  • KISS-ICP

Términos relacionados

  • Iterative Closest Point
  • LiDAR Odometry
  • LIDAR
  • Point Cloud
  • Loop Closure
  • SLAM

Proyectos relacionados

  • LingBot-Map: Streaming 3D reconstruction from one camera: pose and depth for every frame, live
  • oomwoo: Open-source DIY robot vacuum: 3D-printed, ROS2 + 2D LiDAR, fully local.
  • PCL: Industry-standard C++ library for point cloud processing in robotics perception
  • Cartographer: Google's real-time 2D and 3D SLAM system for multi-platform robotics
  • Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
  • FAST-LIVO2: Fast, direct LiDAR-inertial-visual odometry from HKU-MARS, published in IEEE T-RO

Vídeos

  • SLAM Course - 12 - Scan-Matching in 5 Min - Cyrill Stachniss: Cyrill Stachniss

Este sitio web requiere JavaScript. Por favor, habilite JavaScript para explorar nuestros proyectos de robótica.