中科院开源TRLO：具有3D动态目标跟踪和移除的高效激光雷达里程计

中科院开源TRLO：具有3D动态目标跟踪和移除的高效激光雷达里程计

引用

CSDN

1.

https://blog.csdn.net/weixin_46788581/article/details/143368595

在动态城市环境中，移动车辆和行人的存在对移动机器人和自动驾驶车辆的定位和建图带来了巨大挑战。中科院研究团队提出了一种名为TRLO的激光雷达里程计系统，通过结合深度学习目标检测、多目标跟踪和先进的点云配准技术，实现了高精度的状态估计和清晰的地图构建。

研究背景

对于自动驾驶车辆而言，在没有GPS辅助的情况下实现自身定位并在未知环境中进行探索，精确的状态估计是不可或缺的。与可能在光照变化或纹理单一环境下表现不佳的视觉SLAM方法相比，基于激光雷达（LiDAR）的方法能够通过精确捕捉环境的几何细节来提供更可靠的位姿估计。

然而，现有的大多数激光雷达里程计（LO）解决方案都严重依赖于静态环境的基本假设。在动态环境中，移动物体的存在会导致定位精度下降和地图失真。因此，有效检测和跟踪动态物体已成为机器人在现实世界中实现稳健定位和建图的关键。

TRLO系统架构

所提动态检测与过滤方法的效果如图（a）至（d）所示。（a）原始点云。（b）我们的三维目标检测器检测到的动态和半静态物体的三维边界框（蓝色框）。（c）我们的三维多目标跟踪器识别的动态物体的三维边界框（绿色框）。（d）移除动态物体后的静态点云，将作为激光雷达里程计的输入。

TRLO系统主要包括以下几个关键模块：

1. 动态目标检测：采用基于柱体的目标检测网络，快速准确地检测周围环境中的动态物体。
2. 三维多目标跟踪：设计了一种基于无迹卡尔曼滤波（UKF）和最近邻（NN）策略的三维多目标跟踪器，可靠地识别和跟踪动态目标。
3. 静态点云配准：使用Fast G-ICP模块进行两阶段扫描匹配，实现精确定位和建图。
4. 一致性约束：利用滑动窗口中累积的边界框姿态，对状态估计施加一致性约束，进一步优化位姿估计。

创新点

1. 提出了基于UKF和NN的可靠3D多目标跟踪器，能够准确检测和跟踪动态物体。
2. 提出了基于哈希的关键帧数据库管理，通过直接访问关键帧索引来加速扫描到地图的配准。
3. 假设局部场景中所有物体都位于同一水平地面上，重用了短期滑动窗口中累积的边界框姿态来对状态估计施加一致性约束。

实验结果

在KITTI和UrbanLoco数据集的挑战性序列上进行了大量实验，结果表明，TRLO在定位和建图方面优于基线方法。特别是在高度动态的场景中，TRLO通过动态移除和边界框一致性约束策略取得了显著的性能提升。

如图4所示，TRLO能够熟练地识别和过滤移动物体，同时保留有价值的半静态物体。与LIO-SEGMOT、LIMOT和RF-A-LOAM相比，TRLO在动态移除方面表现出更好的性能。最终，TRLO获得了高精度的激光雷达里程计并构建了更清晰的地图。

未来展望

未来研究方向包括将惯性测量单元（IMU）集成到系统中，或添加回环检测以实现更稳健的位姿估计。此外，研究团队还计划进一步优化系统性能，以适应更复杂的动态环境。