寻找供应商
广告
首页 > 汽车技术 > 正文

顶刊收录！智行者提出全新基于ivox激光雷达算法

2022-02-21 22:31:09·  来源：智行者科技  作者：高翔  
　
近日，智行者高翔博士带领的定位团队撰写的论文《Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Incremental Voxels
近日，智行者高翔博士带领的定位团队撰写的论文《Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Incremental Voxels》被国际公认的自动驾驶领域TOP级期刊IEEE Robotics and Automation Letters收录刊登。
该文章主要对激光雷达算法进行了深入探讨，本文提出了一种基于iVox（incremental voxels）的算法，以快速跟踪旋转的激光雷达-惯性里程计(LIO)方法固态激光雷达扫描。在该算法中，智行者定位团队使用iVox作为点云空间数据结构，即从传统的体素修改，支持增量插入和并行近似k-NN查询。该算法可以有效的降低点云配准时的耗时，也不会影响LIO的精度表现。
干货内容如下：

前言

众所周知SLAM现在越来越卷了。卷来卷去，大概有几种卷的方向：
一是卷精度。然而同样传感器做成的数据集大体来说不会有数量级上的精度差异，大部分论文都会说在某个数据集上得到了百分之几的精度提升，然而原因比较玄学，不好归因，实际当中也不一定看的出来。
二是卷鲁棒性。鲁棒性倒是非常实在，别人跑丢了的数据我跑成功了，鲁棒性自然就好。不过开源的数据集相比真实数据来说九牛一毛。开源数据集有十来个数据就显得不错了，实际当中往往是几百几千的车辆和机器人在跑，数据集那几个包才哪到哪，能体现的鲁棒性指标很有限。
三是卷效率。效率也是实打实能看到的。别人算100ms，我算50ms，那效率就实实在在地快了一倍。别人要工控机，我用嵌入式；别人占满CPU，我跑一半的CPU，那整个系统就更流畅丝滑。而且卷效率没那么玄学，哪哪算的快了都可以找到原因，和数据集关系也不大。这就是我们这次选择卷效率的一个理由。
Lidar-inertial odometry (LIO)是SLAM这边卷的还不那么厉害的方向之一。纯Lidar的SLAM已经比较稳定了，几个开源方案（cartographer, Loam系列）跑得也挺顺，虽然大体上要慢一些。不过到了LIO，你会发现一些神奇的现象：开源的LIO大部分只能在自己的数据集上跑，换一个数据集就很容易飞或者挂。前期的方案考虑的东西太少，在后出的数据集上通常会出问题。近期的方案则相对要稳定一些，但依然没有纯Lidar方案那么稳定，各种指标也有一定的提升空间。
本文要谈的Faster-LIO是基于FastLIO2开发的。FastLIO2是开源LIO中比较优秀的一个，前端用了增量的kdtree（ikd-tree），后端用了迭代ESKF（IEKF），流程短，计算快。Faster-LIO则把ikd-tree替换成了iVox（后文介绍），顺带优化了一些代码逻辑，实现了更快的LIO。我们在典型的32线激光雷达中可以取得100-200Hz左右的计算频率，在固态雷达中甚至可以达到1000-2000Hz，能够达到FastLIO2的1.5-2倍左右的速度。当然具体数值和计算平台相关。读者也可以用自己的平台测试一下Faster-LIO在你机器上的表现。

介绍

我们就不聊LIO在什么自动驾驶或者无人机上的应用背景之类的话题了，直接切入主题。
大体来讲，LIO系统的整个计算流程是比较固定的：它们从IMU中得到一个粗略的估计，然后把雷达的数据与一些历史数据做配准，最后用某种状态估计算法进行滤波或者优化。IMU部分的处理差别不大，所以LIO系统的计算效率主要与点云算法和后端算法相关，我们大致分三个方面：
  1. 点云最近邻的数据结构。点云配准的基本问题是计算给定点与历史点云的最近邻，通常需要依赖一些最近邻的数据结构。这些数据结构又大体分为树类的（tree like）和体素类（voxel like）的。广义的，高维的最近邻问题是一个比较复杂的问题，但LIO里的最近邻则是低维的、增量式的问题。于是，像R*树、B* 树等静态的数据结构并不是非常适合LIO。FastLIO2里提出使用增量式的kdtree来处理最近邻，我们则认为增量的体素更适合LIO系统。
  2. 点云残差的计算方式。自动驾驶里普遍偏向不直接使用点到点的残差，而是使用点到线或点到面的残差。点到点的残差形式虽然简单，但雷达点云和RGBD点云相比，更加稀疏，在车辆运动过程中不见得都能打到同一个点，而且点云也往往会被降采样后再进行处理，所以并不太适合在自动驾驶中使用。LOAM系列会计算点云特征，实际当中特征提取要花的时间是不可忽略的，甚至是主要计算部分。
  3. 状态估计算法的选型。LIO和VIO中普遍会使用介于单帧EKF和批量优化之间的方案，例如IEKF、MSCKF、Sliding Window Filter等等。这其中又以IEKF算是最简单有效的一类，既有迭代来保证精度，又不需要像预积分系统那样算一堆雅可比矩阵。
所以这样一看，能进一步挖掘的地方主要是LIO的近邻结构。Kd树类结构的优势在于，可以严格地查询K近邻，不会多也不会少；也可以以范围或盒子形式来查询最近邻（range search/box search）。查询过程中也以设置附加条件比如最大距离，实现快速的近似最近邻查找（Aproximate Nearest Neighbor, ANN）。然而传统的Kd树是不带增量结构的。像ikd-tree这种带增量加点的结构，虽然不用完全重新构建，但也需要花额外的时间去维护这个树的结构。我们不禁要问：LIO里真的需要严格的K近邻搜索吗？能不能放宽一点，使用更简单的结构？
实际上点云配准往往不需要严格的K近邻。如果K近邻找到了一个很远的点，拿这个点过来做点面残差也是不合理的，这部分计算就是无效的。我们不妨让近邻结构本身就具有这种查找范围限制，而kd树即使带了范围限制，也需要一个节点一个节点地来遍历，这种遍历显然也是会耗时的。于是我们来考虑一种基于体素的近邻结构。考虑到点云的稀疏性，我们希望体素也能够以稀疏的形式存储。体素具备一些天然的优点：一是天然具有K近邻时的范围限制；二是增量构建的时候不需要额外的操作，删除的时候也很方便；三是最近邻的范围也可预先定义，想多搜点就多搜点，想快点就少搜点，丰俭由人；四是很容易并行化或者GPU化。
于是FasterLIO使用了一种基于稀疏体素的近邻结构iVox（incremental voxels）。我们会发现这种结构用来做LIO更加合适，可以有效的降低点云配准时的耗时，也不会影响LIO的精度表现。我们使用两个版本的iVox：一种是线性的，一种是基于空间填充曲线的（伪希尔伯特空间曲线，pseudo-Hilbert curve, PHC），下面来说明其原理。

iVox

iVox由空间中稀疏分布的体素组成。每个体素内部可以存在多个点，体素自身的网格坐标由空间哈希函数映射到哈希键值上，再组成哈希表。
哈希函数可以取一些典型形式。由于实际存储的是三维点，我们使用简单的空间哈希即可：

其中p为三维点，v为体素网络，id是它的哈希键值，xor表示异或。
iVox内部点的存储方式称为它的底层结构。最简单的底层结构是线性的，我们称为线性的iVox；如果要存的点很多，我们利用空间填充曲线来存，称为iVox-PHC。当然在LIO算法流程上，我们会避免在同一个体素中大量插入点而影响计算效率，所以两种算法实际用起来差异不大。

K近邻的查找

iVox里的K近邻相对简单。我们首先定义一个体素的近邻范围，典型的有0，6，18，26这几种。实际当中主要用18和26.
在查找K近邻时，先计算被查找的点落在哪个体素中，然后看预定义的范围内是否存在有效的iVox。如果有，就把这些iVox内部的点也考虑进来。我们在每个iVox内部查找至多K个最近邻，再进行合并即可。线性的iVox只须遍历内部点，然后进行部分排序，再进行汇总。PHC的iVox则可以根据空间填充曲线上的索引值来查找最近邻。
PHC是一种建立高维数据与低维数据映射的方法。离散的PHC可以看成把空间分成许多小格子，然后给每个格子找一个id的过程。于是，在查找某个点的最近邻时，可以先看它在这个iVox里的曲线上ID，然后在这个ID周边找到若干个近邻，再返回其结果即可。在点数较多时，PHC的查找会比线性查找的复杂度更低一些。
增量地图更新
iVox的增量地图更新比kd树简单很多。简而言之，算出增加点对应的体素网格，直接往里添加即可。如果是PHC的，则还需要算一下PHC的曲线位置。除此之外没有其他操作了。
在FastLIO2中，系统会删除一部分历史点云，让局部地图跟随车辆前进。在iVox里，由于遍历整个iVox局部地图是比较慢的，我们让这个过程变为被动删除，而不是主动地在每帧计算后进行删除。于是我们给局部地图添加一个LRU缓存（least recently used），在进行近邻搜索时，记录哪些体素是最近使用过的，那么不怎么使用的体素自然被移动到队尾。我们会设置一个局部地图的容量，超过最大容量时，就删除那些很久未使用的体素。删除操作是针对整个体素的，内部的点会被全部删除。这种局部地图缓存策略也会让局部地图跟随车辆运动，而实际操作的地方更少。
iVox的具体参数和复杂度等细节见论文和代码，这里不再描述。

实验

实验部分主要包含仿真实验和数据集实验。

仿真实验

仿真实验是在一个随机生成的点云里进行K近邻查找以及新增地图点的实验。我们对比了Kdtree flann, ikd-tree, nanoflann R-tree, faiss-IVF, nmslib几个库。耗时与地图点数的关系图如下：
可以看到iVox在K近邻查找和新增的耗时都是很少的，但它们随地图点数的增长会更快，毕竟单个iVox里的点会变多。顺便说一句，PCL Kdtree的查询速度（这里写的flann）也是杠杠的，只是没有增量接口。
我们也比较了iVox的K近邻质量问题。大部分时候iVox的K近邻不是严格的，因为天然的有范围限制。我们把K近邻的结果与暴力搜索的结果进行比对，可以得到它的召回率（recall）。各算法的召回率与时间曲线如下：
如果要求iVox有很高的召回，那就不得不设置很大的体素尺寸或者很大的搜索近邻，这时候iVox的查找时间会增长很快。不过LIO系统在70%左右的召回率下就能很好地工作，所以实际也没啥大不了的。

数据集实验

数据集实验主要比较整个LIO系统的耗时和计算精度。由于Faster-LIO框架与FastLIO2基本相同，我们时间上对标的也主要是FastLIO2，其他系统主要是用来做个参考。32线雷达的详细步骤算法耗时如下图所示：
可见主要的耗时在IEKF+ICP的迭代过程。使用iVox替代iKd-tree时，我们缩短的也主要是这个过程。UTBM数据集要明显一些，我们可以把差不多20ms的IEKF迭代降到5-8ms左右，整个流程可以从30ms左右降到10ms左右，实现明显的效率提升。
我们也绘制了时间轴上的耗时曲线，如下：
两个版本的LIO的运算效率不会随着时间有明显变化，而FasterLIO要明显用时更低一些。对LIO-SAM、LiLi-OM的一些计算用时指标可以参考论文的表格。
在精度方面，考虑到LIO默认不带回环检测，所以我们主要评价每百米的漂移误差指标（百分比形式），见下表。
实际上，只要不漂，LIO精度都是差不多的，天下哪有改改算法就提升精度的事情（逃）。
iVox也可以被集成到其他LO或LIO里，但是大部分方案里，最近邻并不是主要的计算瓶颈，gtsam/ceres什么的耗时相比最近邻那可太多了。我们也尝试了把iVox集成到Lego-LOAM里，发现主要只是省了增量地图构建那部分时间，优化方面没什么变化（点少）。所以iVox与FastLIO倒是相性更好一些。

结论与声明

本文提出了一种更快速的LIO方法，使用iVox作为最近邻方案，在同等精度指标下可以明显提升LIO计算速度。
我们也欢迎读者自己测试Faster-LIO的计算性能。祝大家科研愉快。
同时，智行者还提供了开源代码以更方便社区使用。点击链接可获取开源代码：
https://github.com/gaoxiang12/faster-lio
分享到：
 
反对 0 举报 0 收藏 0 评论 0
  • 汽车测试网V课堂

    汽车测试网V课堂

  • 微信公众号

    微信公众号

  • 汽车测试网手机站

    汽车测试网手机站

• L2和L3级智能驾驶车辆驾驶员的角色转变研究 • 产业专利分析—智能座舱之人机交互技术
• 区域化配电的技术及趋势 • 汽车制动踏板感匹配方法探讨
• 电动汽车动力电池碰撞安全性及建模仿真 • 欧盟2023年温室气体排放下降8.3%，交通运输脱碳需奋起直追
• 详解！续航2900公里的康明斯燃料电池卡车-H2Rescue • 电动汽车轮胎的特点和创新要突出的技术亮点
• 大众PEP开发流程详解 • 一文讲清全球定位系统GPS
0 条相关评论
  • 广告
  • 广告

编辑推荐

最新资讯

  • 广告
  • 广告
沪ICP备11026917号-25