0. 简介
我们在日常使用激光SLAM算法的时候，常常会发现现有的算法只会和一些比较经典或者前作去进行比较，很多时候我们更希望对主流的激光SLAM方法进行性能比较。之前作者转载过一篇文章《常见不同3D激光SLAM方案对比》。但是对比的算法有限。现在瑞典Lule科技大学评估9种最常用的激光SLAM方法。我们下面主要来看一下性能对比部分的内容。
1. 总览所有激光slam
所有SLAM方法，所需硬件及其特性均在表1中总结。接下来的步骤是在SLAM方法上运行记录的数据。
2. 对轨迹的评估和比较
通过地下隧道收集的数据集在缺乏特征、重复性和狭窄尺寸方面对基于激光雷达的SLAM算法构成了挑战，而两个闭环分支还可以评估方法的闭环性能。所有SLAM方法都经过了精心调整，但根据多次评估，我们得出结论：VLP16 Lite的视场不足以在垂直维度上捕捉足够的数据，这导致z轴的不确定性很高，即使使用IMU也无法弥补，如图3所示。
图3. 所有方法z坐标估计精度
根据我们用DeWALT激光水平仪测量的斜率，从入口向隧道中心走50米，我们得出隧道具有正斜率，倾斜角度为0.95度。然而，考虑到的所有方法都不能正确估计倾斜角度，即使在隧道的直部分，例如Cartographer估计倾斜角度约为2.91度，hdl graph slam约为0.1度，LIO-SAM约为-1.4度，Fast-LIO约为-3.7度。值得注意的是，除了Cartographer和hdl graph slam之外的所有方法都估计了负斜率，这可能意味着剩余的融合IMU数据的方法更加依赖激光雷达传感器而不是IMU。
与垂直维度类似，VLP16 Lite在水平维度上具有高数据冗余性，这使得所有方法都可以应对x和y 2D姿态估计，如图4所示。从图2中可以看出，所有SLAM方法估计的2D姿态与隧道地图相一致。
图4. 所有方法的2D姿态估计精度
总的来说，除了hdl graph slam作为明显的异常值外，所有算法都能够沿隧道估计po e。我们将在下一个子段中继续进行分析，在那里我们将评估产生的地图。对于相对方法的评估，我们计算并比较了总行驶距离，如表2所示，并且计算置信区间为[251.20 256.66]米，置信水平为95%。从这可以看出，BLAM、A-LOAM、LeGO-LOAM、Cartographer和FastLIO距离测量具有更可靠的值。
3. 点云的评估和比较
映射结果可以清楚地看到具有循环闭合和没有循环闭合的方法之间的明显差异，这可能在定位结果中不太明显。图5展示了每个算法生成的地图。基于此，可以说loam velodyne、A-LOAM、F-LOAM和LIO-mapping中缺乏循环闭合导致点云地图未对齐。FastLIO虽然没有循环闭合功能，但可以有效地处理环境并生成正确的地图。
在实现了循环闭合功能的方法中，除了BLAM外，所有方法都可以提供正确的地图。 hdl graph slam能够生成正确的地图，但在姿态估计方面仍然存在离群值，虽然这一发现可能是由于我们调整的潜在缺陷所致。根据点云配准方法的不同，默认配置下SLAM方法产生以下数量的点，如表2所示，从中可以看出存储地图最少的内存密集型方法是ISC-LOAM，而Fast-LIO是最昂贵的内存方法。虽然可以通过其他方法配置来减少地图中的总点数，例如在图5中，LIO-SAM方法的地图大小减少到4820个点。
因此，如果我们重新绘制图4在隧道的交叉口处，并将仅提供稳定姿态估计和映射结果的方法保留在其中，如图6所示，可以说所有方法都表现出良好的稳定性和性能。但是，在交叉口区域可以注意到LeGO-LOAM执行了循环闭合，因此地图得到了校正，但轨迹没有被修正。值得注意的是，IMU对方法性能的影响，Fast-LIO与具有循环闭合的方法表现相同。
图6.选定方法的2D姿态估计准确度
4. 总结
在本文中，比较了最新的和SoA的激光雷达SLAM方法在苛刻的SubT环境中的性能。为此，我们使用配备我们自主包装的Spot机器人收集了数据集，并分别配置了所有SLAM方法。基于本文进行的SLAM方法比较，可以得出结论，配备的3D激光雷达不足以用于3D姿态估计，由于缺乏特征而导致z轴显着漂移。因此，我们的分析重点放在2D姿态比较上。评估结果表明，BLAM、A-LOAM、LeGO-LOAM、Cartographer和Fast-LIO比其他方法产生了更可信赖的结果。 ISC-LOAM是存储地图最少的内存的方法，尽管与Fast-LIO相比，生成的地图非常稀疏。
因此，可以得出结论，将IMU与激光雷达融合有助于纠正姿态估计。作为未来方向，我们的目标是使用具有更宽视野的激光雷达，在更大的、对于腿部机器人有挑战性的不均匀地形环境中进行评估。
评论（0）
您还未登录，请登录后发表或查看评论