ROLO-SLAM：地面车辆在不平地形中基于旋转优化的纯激光雷达同步定位与建图

ROLO-SLAM：地面车辆在不平地形中基于旋转优化的纯激光雷达同步定位与建图

ROLO-SLAM是一种基于激光雷达的SLAM方法，特别针对地面车辆在不平坦地形中的定位问题。该方法通过预测前方位置粗略消除连续扫描之间的位置差异，并采用并行能力的空间体素化进行匹配。同时，利用几何对齐引入运动约束，优化LiDAR的平移估计。最后，提取关键帧构建子图，并利用当前扫描与子图的对齐进行精确姿态估计。实验结果表明，ROLO-SLAM在地面车辆的姿态估计方面表现出色，优于现有的LiDAR SLAM框架。

图1：顶部图像显示了一辆真实车辆在越野场景中行驶。底部图像展示了ROLO-SLAM输出的点云地图和轨迹。

在自动驾驶场景中，车辆在崎岖地形行驶时，定位的准确性面临巨大挑战。基于激光雷达的 SLAM 方法虽应用广泛，但现有方法在面对不平坦地面时，会出现明显的位姿估计漂移，尤其是垂直方向的误差，这会导致全局地图严重扭曲。这主要是因为车辆在颠簸过程中，激光雷达传感器的垂直位移和角度变化难以准确捕捉，同时传统的点云配准方法在处理这种复杂情况时容易出现错误匹配。针对这些问题，本文提出了 ROLO-SLAM：一种旋转优化的 LiDAR 专用 SLAM 框架，旨在减少垂直方向的姿势漂移，并在不平坦的地形中更精确地估计地面车辆的姿势。

图4：车辆行驶在不平坦地形中的快照。这里任意两辆车的姿态在相同时间间隔内被记录。

ROLO - SLAM 主要由前端激光雷达里程计模块和后端建图模块组成。首先，利用后端的里程计数据对激光雷达扫描数据进行运动畸变校正。前端通过提取几何特征，并采用前向位置预测、体素化匹配和旋转配准等方法，分别对激光雷达的平移和旋转进行估计。后端则通过构建子图和因子图优化，进一步提高定位精度和地图质量。

图5：旋转对齐模型。绿色点是源点（Ps中的点），蓝色椭圆球是mk中的高斯分布。紫色箭头表示可能的旋转方向。

在获得旋转矩阵和初步平移估计后，为进一步优化平移，设计了包含连续时间平移约束的目标函数。该约束基于车辆在两次连续激光雷达扫描之间的匀速运动模型，结合几何对齐和连续时间约束，对平移进行优化。通过最小化目标函数，综合考虑点到分布的距离和连续时间平移约束，得到更精确的平移变换。

图8：ROLO-SLAM的因子图结构。随着车辆移动，建立了两种类型的因子，包括里程计因子和回环闭合因子。

实验使用了公开数据集（如 KITTI 里程计数据集）和自行采集的数据集（包括校园和越野场景），并与 LOAM、LeGO - LOAM、CT - ICP、HDL - SLAM 等当前先进方法进行对比。所有算法均在配备 Intel Core i7 CPU、Nvidia RTX2070 GPU 和 32 GB RAM 的联想 Y9000P 笔记本电脑上执行，ROLO - SLAM 系统基于 Robot Operation System (ROS) Noetic 和 Ubuntu 20.04 实现。

图6：旋转对齐的示例演示

在 KITTI 里程计数据集的水平方向定位中，ROLO - SLAM 的轨迹与真实轨迹高度重合，相比其他方法表现出色。在垂直方向和 6 - DOF 位姿估计的测试中，使用越野和校园数据集进行评估，ROLO - SLAM 的轨迹与真实轨迹的相似度也高于其他方法，其均方根误差（RMSE）在多个数据集上均低于对比方法，体现了良好的定位精度.

图7：通过使用SVD正则化对表示3D高斯分布的空间流形进行变换。

图19：Offroad2数据集的建图结果。（a）是来自Google Earth的卫星地图。（b）展示了点云和轨迹。

图20：Offroad3数据集与卫星地图对齐的点云地图。三个快照捕捉了不同驾驶场景，并按顶部编号排序。

未来的研究方向可以考虑将ROLO-SLAM方法与其他传感器（如摄像头）相结合，提高定位和地图构建的准确性；也可以尝试将其应用于更复杂的场景中，例如城市道路和室内环境中。此外，还可以探索如何将该方法扩展到多机器人系统中，以实现协同导航和任务分配等功能。

ROLO - SLAM 通过前端的旋转和平移独立估计以及后端的优化，在崎岖地形的定位和建图中取得了显著优于现有方法的性能，在定位精度、鲁棒性和计算效率等方面都表现出色。然而，在某些极端场景下仍存在垂直漂移问题，未来将致力于研究无中心对齐条件下的旋转平移解耦，减少对前向位置预测的依赖，并融合更多先验信息（如坡度和时间序列信息）来进一步提高位姿估计的准确性。