LeGO-LOAM初探：原理，安装和测试

时间  2020-05-18 标签 lego loam 初探 原理 安装 测试

前言

最近要搞3D激光SLAM，前后测试了Autoware，cartographer，loam和LeGO-LOAM。
今天就带来LeGO-LOAM的使用体验。
Github：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM
论文：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM/blob/master/Shan_Englot_IROS_2018_Preprint.pdf
YouTube：https://www.youtube.com/watch?v=O3tz_ftHV48
以上视频展现了系统的关键模块，以及与LOAM在不一样平台和场景上测试的结果，强烈建议观看。git

论文摘要

咱们提出了LeGO-LOAM，它是一种轻量级和地面优化的激光雷达里程计和建图方法，用于实时估计地面车辆的六自由度姿态。LeGO-LOAM是轻量级的，由于它能够在低功耗嵌入式系统上实现实时姿态估计。LeGO-LOAM通过地面优化，由于它在分割和优化步骤中利用了地面的约束。咱们首先应用点云分割来滤除噪声，并进行特征提取，以得到独特的平面和边缘特征。而后，采用两步Levenberg-Marquardt优化方法，使用平面和边缘特征来解决连续扫描中六个自由度变换的不一样份量。咱们使用地面车辆从可变地形环境中收集的数据集，比较LeGO-LOAM与最早进的LOAM方法的性能，结果代表LeGO-LOAM在减小计算开销的状况下实现了类似或更好的精度。为了消除由漂移引发的姿态估计偏差，咱们还将LeGO-LOAM集成到SLAM框架中，并用KITTI数据集进行了测试。github

系统描述

LeGO-LOAM针对地面车辆上水平放置的VLP-16进行了特别优化。它假设扫描中始终存在地平面。使用的UGV是Clearpath Jackal，它有一个内置的IMU。
在这里插入图片描述
在特征提取以前执行分割操做：
在这里插入图片描述
Lidar odometry执行两步Levenberg Marquardt优化以得到6D变换：
在这里插入图片描述web

依赖

  • ROS (tested with indigo and kinetic)
  • gtsam (Georgia Tech Smoothing and Mapping library)

安装gtsam

  1. 先决条件
  • Boost >= 1.43 (Ubuntu: sudo apt-get install libboost-all-dev)
  • CMake >= 2.6 (Ubuntu: sudo apt-get install cmake)
  • A modern compiler, i.e., at least gcc 4.7.3 on Linux.
  1. 下载gtsam
cd ~
git clone https://bitbucket.org/gtborg/gtsam.git
  1. 编译
cd ~/gtsam
mkdir build
cd build
cmake ..
make check   #可选的，运行单元测试，我没执行这个命令，由于在TX2上编译太慢了，太慢了，太慢了
make install

注：在TX2编译gtsam较慢，请耐心等待。算法

下载并编译LeGO-LOAM

mkdir -p ~/catkin_ws/src
cd ~/catkin_ws/src
git clone https://github.com/RobustFieldAutonomyLab/LeGO-LOAM.git
cd ..
catkin_make -j1

当第一次编译代码时，须要在“catkin_make”后面添加“-j1”以生成一些消息类型。未来的编译不须要“-j1”。app

运行

  1. 运行 launch 文件
roslaunch lego_loam run.launch

注意：参数“/ use_sim_time”，对于模拟则设置为“true”，对于使用真实机器人则设置为“false”。框架

  1. 播放bag文件
rosbag play *.bag --clock --topic /velodyne_points /imu/data

注意：虽然 /imu/data 是可选的，但若是提供的话，它能够大大提升估计的准确性。
可从此处下载一些样例bag。
若是你的 IMU 帧与 Velodyne 帧不对齐，使用 IMU 数据将致使明显漂移。
若是对 ”–clock“ 有疑惑，能够参考：https://answers.ros.org/question/12577/when-should-i-need-clock-parameter-on-rosbag-play/ 。dom

测试

  1. Velodyne 32线激光雷达

LeGO-LOAM能在NVIDIA Jetson TX2上达到实时的效果，并且建图效果很是好，尤为是Z轴没有明显的飘移。
部分截图以下：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2. RS-LIDAR-16svg

RS-LIDAR-16默认发布的 topic 为/rslidar_points，而LeGO-LOAM须要订阅的 topic 为/velodyne_points，所以使用如下命令：函数

rosbag play *.bag --clock /rslidar_points:=/velodyne_points

可是，出现如下错误：性能

featureAssociation: /build/pcl-2t3l2O/pcl-1.7.2/kdtree/include/pcl/kdtree/impl/kdtree_flann.hpp:136: int pcl::KdTreeFLANN<PointT, Dist>::nearestKSearch(const PointT&, int, std::vector&, std::vector&) const [with PointT = pcl::PointXYZI; Dist = flann::L2_Simple]: Assertion `point_representation_->isValid (point) && “Invalid (NaN, Inf) point coordinates given to nearestKSearch!”’ failed.
[featureAssociation-6] process has died [pid 4388, exit code -6, cmd /home/nvidia/LeGO-LOAM-catkin_ws/devel/lib/lego_loam/featureAssociation __name:=featureAssociation __log:=/home/nvidia/.ros/log/20171d1e-1a4c-11e9-bf05-00044bc4e145/featureAssociation-6.log].
log file: /home/nvidia/.ros/log/20171d1e-1a4c-11e9-bf05-00044bc4e145/featureAssociation-6*.log

猜想是要针对RS-LIDAR-16的硬件特性，在代码上作一些必要的修改，由于LeGO-LOAM是专门基于VLP-16优化的。

参考下一部分【新传感器】的内容，若是RS-LIDAR-16与VLP-16硬件参数不一样，须要修改参数，可是有点疑惑，由于在没有修改参数的前提下，Velodyne 32线激光雷达数据效果很是好。

本想在Github上提issue，结果没有了入口。代码刚开源时，我就 watch 了，平时提 issue 的人很多，查了下邮箱，最近的是前天。不肯定做者会不会再恢复，以及何时恢复。

新传感器

使代码适应新传感器的关键是确保点云能够正确投影到距离图像，而且能够正确检测地面。例如，VLP-16沿两个方向的角分辨率为0.2°和2°。它有16个光束。最底部光束的角度为-15°。
所以，“utility.h” 中的参数以下所示。
使用新传感器时，请确保 ground_cloud 具备足够的匹配点。在发布任何问题以前，请阅读此内容。

extern const int N_SCAN = 16;
extern const int Horizon_SCAN = 1800;
extern const float ang_res_x = 0.2;
extern const float ang_res_y = 2.0;
extern const float ang_bottom = 15.0;
extern const int groundScanInd = 7;

Velodyne HDL-32e:

extern const int N_SCAN = 32;
extern const int Horizon_SCAN = 1800;
extern const float ang_res_x = 360.0/Horizon_SCAN;
extern const float ang_res_y = 41.333/float(N_Scan-1);
extern const float ang_bottom = 30.666666;
extern const int groundScanInd = 20;

须要记住的一件重要事情是，咱们目前的距离图像投影实现仅适用于具备均匀分布通道的传感器。若是你想将咱们的算法与Velodyne VLP-32c或HDL-64e一块儿使用，你须要为此类投影编写本身的实现。若是点云未正确投射，您将失去许多点和性能。

若是您将激光雷达与IMU配合使用，请确保您的IMU与激光雷达正确对齐。该算法使用IMU数据来校订由传感器运动引发的点云失真。若是IMU未正确对齐，则IMU数据的使用将使结果恶化。软件包不支持Ouster激光雷达和IMU。

保存地图

在终端窗口，键入ctrl+c退出程序后，在/tmp目录下会生成4个pcd文件，分别为：

  • finalCloud.pcd
  • cornerMap.pcd
  • surfaceMap.pcd
  • trajectory.pcd

/tmp目录下的文件在每次重启后都会被清空，若是想保存在其余路径下，须要在mapOptmization.cpp中的visualizeGlobalMapThread函数中修改路径：

// save final point cloud
pcl::io::savePCDFileASCII(fileDirectory+"finalCloud.pcd", *globalMapKeyFramesDS);

string cornerMapString = "/tmp/cornerMap.pcd";
string surfaceMapString = "/tmp/surfaceMap.pcd";
string trajectoryString = "/tmp/trajectory.pcd";

特色：地图比较稀疏。
缘由：对点云进行了下采样（dowmsample）

在终端执行如下命令，能够打印pose：

rostopic echo /aft_mapped_to_init

在终端执行如下命令，能够将pose保存到pose.txt中：

rostopic echo /aft_mapped_to_init > pose.txt

可是，这种方式不方便数据分析，须要以必定格式存储。

引用LeGO-LOAM

若是使用LeGO-LOAM的任何代码，请引用论文：

@inproceedings{legoloam2018,
title={LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain},
author={Tixiao Shan and Brendan Englot},
booktitle={IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)},
pages={4758-4765},
year={2018},
organization={IEEE}
}

注：开源不易，若是对你有益，请支持做者的工做。 另外，watch，star，fork也是对做者的支持。

联系我们 沪ICP备13005482号-10