Open Source Robotics

Una raccolta curata di progetti, strumenti e software di robotica open source di alta qualità per la comunità della robotica.

Scan Matching

  • Detto anche: scan registration, point cloud registration
  • Categoria: State estimation & navigation › Localisation
  • Tag: lidar, localization, slam, point-clouds, registration

Stima della trasformazione rigida che allinea una scansione di distanze con un'altra scansione o con una mappa; usata nell'odometria LiDAR, nella localizzazione e nello SLAM per trasformare i dati di distanza grezzi in stime della posa.

Definizione

L'allineamento delle scansioni (scan matching) prende una nuova scansione di distanze da un LiDAR, un sonar o un sensore di profondità e trova la rotazione e la traslazione che la allineano meglio con un riferimento: la scansione precedente, una mappa locale recente o una mappa globale. La trasformazione risultante è una misura di come si è mosso il sensore o di dove si trova. È l'operazione centrale dell'odometria LiDAR, della localizzazione su mappa dei robot su ruote e dei front-end della maggior parte dei sistemi SLAM con LiDAR. L'allineamento scansione-scansione è semplice ma accumula rapidamente deriva; l'allineamento scansione-mappa allinea ogni nuova scansione con una mappa accumulata, il che riduce la deriva e rende la stima meno sensibile a singole scansioni sparse.

Esistono diverse famiglie di metodi. I metodi basati sui punti, come Iterative Closest Point (ICP) e le sue varianti punto-piano e generalizzata, alternano la ricerca delle corrispondenze e il calcolo della trasformazione. La trasformata delle distribuzioni normali (NDT), introdotta da Biber e Straßer (2003), rappresenta il riferimento come una griglia di distribuzioni gaussiane locali e massimizza la verosimiglianza della nuova scansione rispetto a esse. L'allineamento correlativo delle scansioni, descritto da Olson (2009), cerca su un insieme discretizzato di pose rispetto a una griglia di probabilità, il che tollera stime iniziali scadenti. I metodi basati sulle feature, resi popolari da LOAM (Zhang e Singh, 2014), estraggono punti di spigolo e planari e li associano a linee e piani della mappa, riducendo il calcolo. Gli allineatori 2D basati su griglia sono anche al cuore di pacchetti SLAM laser come Hector SLAM e Cartographer.

La maggior parte degli allineatori di scansioni converge solo localmente e richiede una stima iniziale ragionevole, di solito dall'IMU, dall'odometria delle ruote o da un modello a velocità costante. Falliscono in situazioni prevedibili: corridoi lunghi, gallerie e campi aperti in cui la geometria vincola male alcune direzioni; oggetti in movimento che sembrano struttura; e la distorsione da moto quando il sensore si muove durante una singola passata, che va corretta rimuovendo la distorsione dei punti con i dati dell'IMU. I buoni sistemi esaminano l'hessiana o la covarianza di ogni allineamento per individuare le direzioni debolmente vincolate e pesano il risultato di conseguenza quando lo fondono con altri sensori.

Perché è importante

I sensori di distanza forniscono una geometria precisa ma nessuna posa diretta. L'allineamento delle scansioni è il modo in cui quella geometria diventa stime di moto e di posizione, quindi la sua precisione e i suoi modi di guasto determinano in larga misura le prestazioni della navigazione basata su LiDAR.

Applicazioni principali

  • Odometria LiDAR e SLAM
  • Localizzazione di robot di magazzino e di servizio rispetto a una mappa preesistente
  • Verifica dei candidati alla chiusura del loop tra scansioni distanti
  • Allineamento di scansioni per mappatura 3D e rilievo topografico
  • Calibrazione estrinseca tra più LiDAR

In pratica

Su un robot terrestre con un LiDAR 3D rotante, ogni passata viene prima corretta dalla distorsione usando la rotazione misurata dall'IMU, poi vengono estratti i punti caratteristici di spigolo e planari. Partendo dalla posa predetta dall'IMU, le feature del keyframe corrente vengono associate a una mappa di feature costruita dai keyframe precedenti, e la trasformazione calcolata entra nello stimatore come fattore di odometria LiDAR, come nei sistemi LiDAR-visivo-inerziali quali LVI-SAM. In un corridoio lungo e privo di elementi distintivi, l'allineamento vincola solo debolmente il moto lungo l'asse del corridoio, quindi il gruppo controlla gli autovalori dell'hessiana dell'allineamento e lascia che le misure dell'IMU e visive sostengano quella direzione finché la geometria non migliora.

Idee sbagliate comuni

  • Allineamento delle scansioni e ICP sono la stessa cosa — ICP è un algoritmo di allineamento delle scansioni tra diversi, accanto ai metodi NDT, correlativi e basati sulle feature
  • Un buon allineatore di scansioni funziona senza stima iniziale — la maggior parte dei metodi converge solo localmente e richiede una posa a priori dall'odometria o da un'IMU
  • L'allineamento delle scansioni vincola tutte le direzioni allo stesso modo — in corridoi, gallerie e aree aperte la geometria può lasciare alcune direzioni quasi prive di vincoli

Chi dovrebbe saperlo

  • Ingegneri di SLAM con LiDAR e di localizzazione
  • Sviluppatori di navigazione per robot mobili
  • Team di percezione per veicoli autonomi
  • Ingegneri di rilievo topografico e cartografia

Tecnologie correlate

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

Termini correlati

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

Progetti correlati

  • 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

Video

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

Questo sito richiede JavaScript. Attiva JavaScript per esplorare i nostri progetti di robotica open source.