LiDAR Odometry

Aussi appelé: laser odometry, LO
Catégorie: State estimation & navigation › Localisation
Mots-clés: lidar, odometry, slam, state-estimation, point-cloud-registration

Estimation du mouvement d'un robot par recalage de balayages LiDAR successifs les uns sur les autres ou sur une carte locale ; elle dérive avec la distance à moins d'être corrigée par fermeture de boucle.

Définition

Odométrie LiDAR (LiDAR odometry) : estimation du mouvement d'un capteur LiDAR, et du robot qui le porte, par alignement de chaque nouveau balayage sur les données précédentes. C'est une forme d'odométrie (odometry) : comme l'odométrie par les roues ou l'odométrie visuelle (visual odometry), elle intègre le mouvement relatif au fil du temps et accumule donc de la dérive. Elle diffère de l'odométrie visuelle par son entrée, des mesures de distance directes au lieu d'images de caméra, ce qui donne l'échelle métrique avec un seul capteur et la rend largement indépendante de l'éclairage. Elle diffère de l'Iterative Closest Point (ICP) par sa portée : l'ICP est un algorithme de recalage, souvent utilisé au sein d'un système d'odométrie LiDAR, tandis que l'odométrie LiDAR est la chaîne complète de prétraitement, de recalage, de compensation du mouvement et de gestion de carte.

Il existe deux grandes familles. Les méthodes fondées sur des caractéristiques, comme LOAM de Zhang et Singh en 2014, extraient de chaque balayage des points d'arête et des points plans et les apparient aux caractéristiques d'une carte locale. Les méthodes denses recalent la plupart des points, généralement par ICP point-à-plan ou par une transformée des distributions normales (normal distributions transform), sur le balayage précédent ou sur une carte locale sous-échantillonnée. Le recalage balayage-carte dérive moins que le recalage balayage-balayage, car chaque balayage est aligné sur une structure construite à partir de nombreux balayages antérieurs.

Un LiDAR rotatif acquiert un balayage sur une rotation complète, si bien qu'un capteur en mouvement le déforme. Les systèmes corrigent cela en redressant les points (de-skewing) à l'aide d'une hypothèse de vitesse constante, d'une IMU ou, comme dans CT-ICP, d'une trajectoire en temps continu avec des poses distinctes au début et à la fin de chaque balayage. L'odométrie LiDAR peine là où la géométrie ne contraint pas les six degrés de liberté : longs couloirs, tunnels, champs dégagés et routes plates. Une fusion étroite avec une IMU, comme dans l'odométrie LiDAR-inertielle, aide pour les mouvements rapides et les courts passages dégénérés, et un système SLAM complet ajoute la fermeture de boucle et l'optimisation de graphe de poses pour éliminer la dérive accumulée.

Pourquoi c'est important

L'odométrie LiDAR est la principale source d'estimation du mouvement pour de nombreux véhicules autonomes, robots mobiles et systèmes de cartographie, en particulier en extérieur et dans l'obscurité, où les caméras peinent. Sa précision limite la qualité de toute carte et de tout résultat de localisation construits par-dessus.

Applications principales

Estimation de l'ego-mouvement pour voitures autonomes et robots de livraison
Partie frontale des systèmes de SLAM LiDAR et de cartographie 3D
Cartographie mobile portée à la main ou sur sac à dos
Navigation dans les mines, les tunnels et autres environnements sombres
Estimation d'état pour robots à pattes et drones équipés d'un LiDAR embarqué

En pratique

Une équipe dote d'un LiDAR rotatif et d'une IMU un robot de relevé qui circule sur un chantier. Chaque balayage est redressé à l'aide de l'IMU, sous-échantillonné dans une grille de voxels et recalé par ICP point-à-plan sur une carte locale des balayages récents. La pose obtenue alimente la pile de navigation du robot à la cadence des balayages. Lorsque le robot parcourt un long couloir nu, l'équipe voit l'estimation de position s'étirer le long de l'axe du couloir, car les murs ne contraignent pas le mouvement selon cet axe ; elle ajoute un test de dégénérescence sur la solution de l'ICP, s'appuie davantage sur l'IMU et l'odométrie par les roues dans ces passages, et exécute la fermeture de boucle hors ligne pour corriger la carte finale.

Idées reçues

L'odométrie LiDAR donne des positions globales sans dérive — elle intègre le mouvement relatif et dérive, donc une fermeture de boucle ou une référence globale est nécessaire pour les longs parcours
L'odométrie LiDAR est la même chose que l'ICP — l'ICP est une étape de recalage ; l'odométrie comprend aussi le redressement, le filtrage, la gestion de carte et souvent la fusion avec une IMU
Comme le LiDAR mesure directement les distances, il fonctionne partout — les scènes géométriquement dépourvues de caractéristiques, comme les tunnels ou les champs dégagés, laissent certaines directions non contraintes
Chaque balayage est un instantané pris à un seul instant — un LiDAR rotatif balaie au fil du temps, si bien qu'un capteur en mouvement produit des balayages déformés à moins qu'ils ne soient corrigés

Qui devrait le savoir

Ingénieurs SLAM et estimation d'état
Équipes de perception pour la conduite autonome
Développeurs en cartographie mobile et en topographie
Ingénieurs en robotique de terrain travaillant en extérieur ou sous terre

Technologies associées

LOAM
KISS-ICP
CT-ICP
Odométrie LiDAR-inertielle (Lidar-Inertial Odometry)
Transformée des distributions normales (Normal Distributions Transform)

Termes associés

Projets associés

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.
Cartographer: Google's real-time 2D and 3D SLAM system for multi-platform robotics
FAST-LIVO2: Fast, direct LiDAR-inertial-visual odometry from HKU-MARS, published in IEEE T-RO
DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
evo: De-facto standard tool for evaluating and plotting odometry/SLAM trajectories

Vidéos

LiDAR Odometry - 5 Minutes with Cyrill: Cyrill Stachniss