Open Source Robotics

Une collection organisée de projets, outils et logiciels robotiques open source de haute qualité.

Scan Matching

  • Aussi appelé: scan registration, point cloud registration
  • Catégorie: State estimation & navigation › Localisation
  • Mots-clés: lidar, localization, slam, point-clouds, registration

Estimation de la transformation rigide qui aligne un scan de distance sur un autre scan ou sur une carte ; utilisé en odométrie LiDAR, en localisation et en SLAM pour transformer des données de distance brutes en estimations de pose.

Définition

Le recalage de scans (scan matching) prend un nouveau scan de distance issu d'un LiDAR, d'un sonar ou d'un capteur de profondeur et trouve la rotation et la translation qui l'alignent au mieux sur une référence : le scan précédent, une carte locale récente ou une carte globale. La transformation obtenue est une mesure de la façon dont le capteur s'est déplacé ou de l'endroit où il se trouve. C'est l'opération centrale de l'odométrie LiDAR, de la localisation sur carte des robots à roues et des frontaux de la plupart des systèmes de SLAM LiDAR. Le recalage scan à scan est simple mais accumule rapidement de la dérive ; le recalage scan à carte aligne chaque nouveau scan sur une carte accumulée, ce qui réduit la dérive et rend l'estimation moins sensible à des scans individuels clairsemés.

Il existe plusieurs familles de méthodes. Les méthodes fondées sur les points, comme Iterative Closest Point (ICP) et ses variantes point-à-plan et généralisée, alternent entre la recherche de correspondances et la résolution de la transformation. La normal distributions transform (NDT), introduite par Biber et Straßer (2003), représente la référence comme une grille de distributions gaussiennes locales et maximise la vraisemblance du nouveau scan sous celles-ci. Le recalage de scans par corrélation, décrit par Olson (2009), explore un ensemble discrétisé de poses par rapport à une grille de probabilités, ce qui tolère de mauvaises estimations initiales. Les méthodes fondées sur les primitives, popularisées par LOAM (Zhang et Singh, 2014), extraient des points d'arête et des points plans et les apparient à des droites et des plans de la carte, ce qui réduit le calcul. Des recaleurs 2D sur grille sont aussi au cœur de logiciels de SLAM laser comme Hector SLAM et Cartographer.

La plupart des méthodes de recalage ne convergent que localement et ont besoin d'une estimation initiale raisonnable, généralement issue de l'IMU, de l'odométrie des roues ou d'un modèle à vitesse constante. Elles échouent dans des situations prévisibles : longs couloirs, tunnels et terrains dégagés où la géométrie contraint mal certaines directions ; objets mobiles qui ressemblent à de la structure ; et distorsion de mouvement lorsque le capteur se déplace pendant un seul balayage, qu'il faut corriger en redressant les points à l'aide des données de l'IMU. Les bons systèmes examinent la hessienne ou la covariance de chaque recalage pour détecter les directions faiblement contraintes et pondèrent le résultat en conséquence lors de la fusion avec d'autres capteurs.

Pourquoi c'est important

Les capteurs de distance fournissent une géométrie précise mais pas de pose directe. Le recalage de scans est ce qui transforme cette géométrie en estimations de mouvement et de position ; sa précision et ses modes de défaillance déterminent donc en grande partie la performance de la navigation fondée sur le LiDAR.

Applications principales

  • Odométrie LiDAR et SLAM
  • Localisation de robots d'entrepôt et de service par rapport à une carte préalable
  • Vérification de candidats à la fermeture de boucle entre des scans éloignés
  • Alignement de scans pour la cartographie 3D et le relevé topographique
  • Étalonnage extrinsèque entre plusieurs LiDAR

En pratique

Sur un robot terrestre équipé d'un LiDAR 3D rotatif, chaque balayage est d'abord redressé à l'aide de la rotation mesurée par l'IMU, puis des points caractéristiques d'arête et de plan sont extraits. En partant de la pose prédite par l'IMU, les primitives de l'image clé courante sont appariées à une carte de primitives construite à partir des images clés passées, et la transformation obtenue entre dans l'estimateur comme facteur d'odométrie LiDAR, comme dans les systèmes LiDAR-visuels-inertiels tels que LVI-SAM. Dans un long couloir sans relief, le recalage ne contraint que faiblement le mouvement le long de l'axe du couloir ; l'équipe vérifie donc les valeurs propres de la hessienne du recalage et laisse les mesures de l'IMU et de la vision porter cette direction jusqu'à ce que la géométrie s'améliore.

Idées reçues

  • Le recalage de scans et ICP sont la même chose — ICP est un algorithme de recalage de scans parmi d'autres, aux côtés de NDT et des méthodes par corrélation et fondées sur les primitives
  • Une bonne méthode de recalage fonctionne sans estimation initiale — la plupart des méthodes ne convergent que localement et ont besoin d'une pose a priori issue de l'odométrie ou d'une IMU
  • Le recalage de scans contraint toutes les directions de la même façon — dans les couloirs, les tunnels et les zones dégagées, la géométrie peut laisser certaines directions presque non contraintes

Qui devrait le savoir

  • Ingénieurs en SLAM LiDAR et en localisation
  • Développeurs en navigation de robots mobiles
  • Équipes de perception pour véhicules autonomes
  • Ingénieurs en topographie et en cartographie

Technologies associées

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

Termes associés

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

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.
  • 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

Vidéos

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

Ce site nécessite JavaScript. Veuillez activer JavaScript pour explorer nos projets de robotique open source.