基于密度三角描述符与熵增强局部验证的激光雷达回环检测方法

《Sensors》:QL-HIT2F: A Q-Learning-Aided Adaptive Fuzzy Path Planning Algorithm with Enhanced Obstacle Avoidance

【字体: 大 中 小 】 时间:2025年12月29日 来源:Sensors 3.5

编辑推荐:

  本文提出了一种基于密度三角描述符(DTD)的激光雷达回环检测方法。该方法通过密度图像提取关键点,构建具有旋转和平移不变性的三角形全局描述符,并引入基于熵的局部描述符来增强局部判别能力。实验表明,DTD在多个公开数据集上显著提升了F1 max分数和扩展精度(EP),同时计算效率提高了50.57%,在复杂环境中展现出优异的鲁棒性和适应性。

  
1. 引言
在同时定位与建图(SLAM)系统中,回环检测(LCD)是提升长期一致性和鲁棒性的关键环节。现有基于激光雷达(LiDAR)的回环检测方法通常依赖于有限或部分的几何特征,在复杂环境中的性能受限。针对这些局限性,本文提出了一种密度三角描述符(DTD)。该方法首先从激光雷达点云生成的密度图像中提取关键点,然后构建一个对旋转和平移不变的基于三角形的全局描述符,以实现鲁棒的结构表示。此外,为了增强局部判别能力,将每个关键点周围的邻域建模为高斯分布,并从其概率分布的熵中推导出局部描述符。在回环检测过程中,首先通过三角形边长的哈希索引检索候选匹配,然后进行基于熵的局部验证,最后通过奇异值分解(SVD)进行精化以获得精确的位姿估计。
2. 相关工作
当前的回环检测方法主要分为基于视觉和基于激光雷达的方法。本文提出的方法融合了视觉启发线索和激光雷达纹理信息。
2.1. 基于视觉的回环检测
基于视觉的LCD已广泛应用于各种SLAM系统,其中词袋(BoW)模型因其效率和泛化能力而成为最常用的方法之一。然而,这些方法主要利用二维图像的外观特征,在存在局部结构重复时容易产生误检。相比之下,本文方法不仅利用了从激光雷达密度图中提取的关键点,还保留了其三维空间信息,从而减少了局部相似结构的影响。
2.2. 基于激光雷达的回环检测
近年来,基于激光雷达的LCD受到越来越多的关注,现有方法大致可分为基于手工特征和基于学习的方法。
基于手工特征的方法通常利用投影策略生成低维描述符。例如,M2DP将点云投影到多个二维平面上生成密度签名,然后应用奇异值分解(SVD)推导全局描述符。另一个广泛采用的方法是Scan Context(SC),它将点云在极坐标系下投影到鸟瞰图(BEV)空间,并使用最大高度对每个单元进行编码,从而实现旋转不变性。然而,SC缺乏平移不变性。STD提取关键点并构建具有旋转和平移不变性的基于三角形的描述符,但由于其依赖平面结构进行关键点提取,在低纹理环境中的效率和判别性会降低。
基于学习的方法随着深度学习的进步而出现,例如PointNetVLAD和BEVPlace++。尽管基于学习的方法显示出有前景的性能,但它们通常需要大规模标注数据集和大量计算资源,使其不太适合在通用平台上进行实时部署。因此,本文专注于无需训练且计算效率高的手工描述符。
3. 方法
本文提出了密度三角描述符(DTD)的整体框架。该流程始于关键点提取模块,输入点云经过预处理,从基于密度的BEV图像中检测关键点。随后是描述符构建模块,从三个选定的关键点形成描述符。该描述符融合了三角形的几何边长和关键点邻域的概率分布特征。最后,引入了一个两阶段的回环检测算法,该算法融合了来自三角形边长的全局几何表示和基于熵的局部描述符,最终产生6自由度(6-DoF)位姿估计。
3.1. 关键点提取
鸟瞰图(BEV)投影因其能保留局部二维几何结构同时通过降维降低计算成本而被广泛用于位置识别。传统的基于最大高度或强度的BEV图像通常对位姿变化或外部因素(如反射率和传感器噪声)敏感。相比之下,基于密度的BEV表示依赖于网格单元内的点分布而非原始点值,对视角变化具有更好的鲁棒性。受此优势启发,本文采用密度图像作为BEV表示。
具体而言,BEV平面被均匀划分为面积相等的正方形网格单元,并在其上计算密度分布。原始激光雷达点云定义为P = {p1, p2, ..., pn| pi∈ ?3}。以激光雷达为中心,在x-y平面上定义一个覆盖[-L m, L m]的正方形投影区域。通过累积固定数量的激光雷达扫描形成关键帧,然后将聚合的点云离散化为M×M网格。对于每个网格单元,统计落入其中的点数作为C(u, v),随后进行归一化得到密度图像I(u, v)。此外,本研究对密度图像应用比例阈值σk,将所有密度值低于该阈值的像素设为零。这种设计有效抑制了地面点和噪声在密度图像生成过程中的影响,从而确保了后续关键点提取的一致性和可靠性。
生成密度图像后,执行特征提取以识别显著区域。密度图像通常包含丰富的局部纹理和明显的结构变化。由于传感器在车辆运动过程中可能发生显著的朝向变化,提取的特征需要具有旋转不变性。为此,本文采用Good Features to Track(GFTT)算法在密度图像中检测角点特征。检测到的二维特征点通过计算其对应网格单元内原始三维点的平均坐标,被反投影回三维空间。这一过程为每个关键帧生成关键点,有效结合了密度图的局部结构信息和点云的空间属性,为后续描述符生成提供了鲁棒的基础。
3.2. 密度三角描述符构建
使用第3.1节生成的关键点构建三角形描述符。由于三角形固有的平移和旋转不变性,由关键点形成的一组三角形可以有效地表示每个关键帧的全局几何结构。为了确保三角形的唯一性和几何有效性,采用kd树为每个关键点搜索两个相邻点,使得每个三元组仅形成一个三角形。此外,三角形的边长被限制在预定义的阈值范围内,以避免过于稀疏或密集的连接。
在描述局部点云特征时,许多现有方法依赖于简单属性(如高度、强度或密度),这些属性在复杂的室外环境中通常缺乏鲁棒性。由于三角形的每个顶点对应一个网格单元,将每个单元内的点分布建模为高斯分布x ~ N(μ, Σ),其中μ是均值,Σ是协方差矩阵。使用信息熵计算其不确定性,三个顶点的熵向量定义为H = (H1, H2, H3),其中H(x) = -∑i=1nP(xi) log P(xi) = 1/2 log((2πe)d|Σ|),d表示数据的维度,对于三维点云设置为3。这种基于高斯统计的概率建模有效减少了异常值的影响,提高了局部特征的稳定性。
提出的密度三角描述符结合了密度和熵信息,共同捕捉局部区域的空间密度和不确定性。每个描述符D由顶点坐标(p1, p2, p3)、边长(l12, l23, l13)、对应的熵值(h1, h2, h3)和帧索引k组成:D = (p1, p2, p3, l12, l23, l13, h1, h2, h3, k)。最后,每个描述符使用其边长导出的哈希键索引到数据库中。
3.3. 回环检测
本节提出了一种基于DTD的两阶段回环检测算法。该方法包括以下两个阶段:
(1) 候选搜索:首先使用第3.2节描述的方法从当前帧中提取全局和局部描述符。对于每个描述符,基于三角形的边长生成一个唯一的哈希键。这些哈希键用于查询预构建的哈希表,以检索具有相似三角形结构的过去帧的候选描述符。为了进一步细化候选集并识别最相关的回环候选,定义了一个局部描述符相似度函数,该函数定量评估当前局部描述符Hc和候选回环局部描述符Hl之间的相似性。相似度定义为sim(Hc, Hl) = (HcHlT) / (‖Hc‖ ‖Hl‖),即熵向量的余弦相似度。如果Hc和Hl之间的相似度超过预定义阈值σs,则对帧Fl投一票。此投票过程应用于当前帧中的所有描述符,选择得票数最高的前k个帧作为后续几何验证阶段的输入。这种基于投票的策略有效缩小了候选帧集,显著提高了几何验证过程的效率和准确性。
(2) 几何验证:在获得前k个回环候选帧后,执行几何验证以消除误检并估计当前帧与回环帧之间的6自由度相对位姿变换。具体而言,对于当前关键帧Fc和候选回环帧Fl,识别N个匹配的描述符对,每个对应两个点集{P}c和{P}l。首先计算对应点集的质心pcc和plc,然后构建交叉协方差矩阵W = ∑i=13*N(pci- pcc)(pli- plc)T。对W应用奇异值分解(SVD):W = UΣVT。如果W是满秩的,则两个帧之间的最优旋转Rc,l和平移tc,l可以恢复为Rc,l= VUT,tc,l= sl- Rc,lsc。使用此变换,将每个点{P}l投影到其估计位置{P}e,并计算其与对应点{P}c的欧氏距离。如果距离小于σd,则认为两个点成功匹配。统计有效对应点的数量,只有当该数量Nd超过指定的最小阈值σn时,候选帧才最终被接受为有效的回环闭合。
4. 结果
4.1. 数据集和实验设置
为了全面评估所提方法的回环检测性能,在四个公开数据集上进行了实验:KITTI、NCLT、FusionPortable和HeLiPR。KITTI数据集为每个点云文件提供了真值(GT)数据。对于NCLT数据集,点云数据的时间戳与官方GT未严格对齐,因此采用FAST-LIO里程计以固定的空间间隔对点云进行重采样,每移动1米生成一帧。FusionPortable数据集包含各种复杂环境,同样使用FAST-LIO处理原始数据并生成相应的点云序列进行评估。为了进一步研究该方法在不同激光雷达模态下的适应性,还在HeLiPR数据集上进行了评估,该数据集包括由两个固态激光雷达传感器采集的数据。
为了验证方法的有效性,将其与几种最先进的方法进行了比较。所有实验均在配备AMD Ryzen 5 5600 @ 3.3 GHz处理器和16 GB RAM的计算平台上执行,运行Ubuntu 20.04 LTS。
4.2. 回环检测评估
在本节中,将所提方法与几种最先进(SOTA)的方法进行了比较,包括Scan Context和STD。在DTD的实现中,每10个连续帧聚合为一个关键帧。当目标帧与候选帧之间的真值(GT)距离小于15米,且中间至少有50个关键帧以避免平凡匹配时,回环闭合被视为真阳性。
对于参数设置,在构建密度图像时,投影区域范围L为50,密度图像大小M为300,密度阈值σk为0.05。构建三角形描述符所用的参数与STD保持一致,而局部描述符的相似度阈值σs设置为0.95。为了评估局部描述符的贡献,还将DTD与其无熵变体DTD(w/o entropy)进行了比较。对于Scan Context和STD,采用其开源实现并遵循各自论文中推荐的参数设置。
通过改变重合点数量Nd,为不同序列生成精确率-召回率(PR)曲线。此外,评估了每种方法的F1 max分数和扩展精度(EP)值。F1分数定义为F1= 2 × (P × R) / (P + R),其中P和R分别表示精确率和召回率。F1 max分数提供了准确性和完整性之间的平衡度量。EP值定义为EP = 1/2 (PR0+ RP100),其中PR0表示最小召回率下的精确率,RP100表示100%精确率下的最大召回率。EP特别适用于评估回环检测性能。
实验结果表明,DTD在大多数序列上始终获得更优的PR曲线、更高的F1 max分数和更大的EP值。与STD相比,DTD在F1 max分数和EP上分别平均提高了18.30%和20.08%;与Scan Context相比,分别提高了15.51%和33.40%。
对于KITTI数据集,DTD(w/o entropy)在KITTI 00和KITTI 02上表现较差,因为它仅依赖于基于密度的三角形进行匹配。引入熵显著提高了鲁棒性,导致F1 max分数分别增加了12.51%和11.13%。在仅反向循环的KITTI 08序列中,Scan Context表现出性能下降,而DTD保持稳定,展示了强大的旋转不变性。
对于包含多样化室内外转换的NCLT数据集,STD和Scan Context均表现出不一致的结果。即使没有熵,DTD(w/o entropy)也保持稳定,而熵的集成进一步增强了回环检测性能。
对于FusionPortable数据集,评估了四个代表性序列,重点关注两个具有挑战性的案例:building_day和vehicle_campus01。在building_day复杂的室内环境中,STD的关键点选择策略变得不稳定,导致大量误匹配或匹配失败。相比之下,DTD受益于基于密度的关键点提取,导致F1 max分数比STD提高了两倍。在vehicle_campus01中,相似的道路结构和有限的高度变化使得Scan Context容易产生误检;具体而言,STD与Scan Context相比将F1 max分数提高了68.04%。DTD凭借其鲁棒的关键点提取和基于熵的相似性评估保持了高性能。
4.3. 消融研究
在第3.2节中,引入了基于熵的相似度函数。为了评估熵对局部描述符的贡献,进行了一项消融研究,以分析其在回环检测阶段的影响。具体而言,DTD(w/o entropy)指的是移除熵验证并仅基于三角形边长进行匹配的变体。实验结果表明,引入熵显著提高了DTD的召回率,并获得了更好的F1 max分数和EP。这种改进在所有序列中都是一致的,展示了强大的鲁棒性和稳定性。
此外,提出的基于熵的局部描述符有效过滤了不正确的回环候选,加速了整体匹配过程,同时提高了回环检测性能。为了评估其贡献,从KITTI、NCLT和FusionPortable数据集中选择了代表性序列(KITTI 02、NCLT 2012年9月28日和vehicle_campus01)并进行对比实验。采用两个指标:F1 max分数和总处理时间。这些指标用于(1)验证引入熵带来的性能增益;(2)分析在引入基于熵的验证后,不同相似度阈值σs的影响。
实验结果表明,在引入熵验证后,即使σs= 0,DTD也实现了比DTD(w/o entropy)更高的F1 max分数和更低的时间消耗。具体而言,当σs= 0.95时,这三个序列的F1 max分数分别增加了11.13%、4.07%和44.89%,而计算时间分别减少了38.13%、13.19%和40.84%。这表明尽管熵计算引入了额外的成本,但它可以快速消除具有相似密度三角形结构的错误候选,从而减少整体匹配时间。
此外,σs的选择会影响DTD的性能。通常,较大的阈值会导致更好的检测结果;然而,当σs接近1时,正确的回环候选可能会被错误地丢弃。因此,在实际应用中,σs通常设置在0.90–0.95的范围内,以平衡准确性和鲁棒性。
4.4. 基于激光雷达的SLAM性能
在本实验中,评估了所提出的回环检测模块在激光雷达SLAM系统中的有效性。分别将DTD、STD和Scan Context集成到FAST-LIO中(分别表示为DTD-FAST-LIO、STD-FAST-LIO和SC-FAST-LIO),并在NCLT和FusionPortable数据集上进行测试。为了量化回环闭合对轨迹精度的影响,使用EVO工具包计算绝对位姿误差(APE),并采用均方根误差(RMSE)作为评估指标,其中较低的RMSE表示更好的全局一致性。
实验结果表明,与原始FAST-LIO系统相比,DTD-FAST-LIO在所有测试序列上始终产生更低的RMSE值,表明所提出的回环闭合模块有效抑制了累积漂移。与STD-FAST-LIO和SC-FAST-LIO的进一步比较表明,DTD在所有序列上实现了最低的RMSE,验证了所提方法的优越性。
此外,轨迹比较直观地表明,DTD成功识别了回环闭合,并显著改善了累积漂移。总体而言,所提出的回环检测模块可以集成到现有的激光雷达SLAM框架中,并显著提高了全局位姿估计精度。
4.5. 计算复杂度
在本节中,评估了不同回环检测方法的平均计算时间。对于Scan Context,使用官方MATLAB(R2022b)实现和默认参数,而STD和DTD均在C++中实现。
结果表明,Scan Context表现出最高的计算成本。相比之下,DTD的总处理时间比STD和Scan Context分别减少了50.57%和73.85%,这主要归功于基于密度图的关键点选择策略。尽管局部描述符的引入略微增加了将描述符插入数据库所需的时间,但考虑到所实现的鲁棒性提升,这种开销是微不足道的。DTD的整体运行时间随着帧数的增加保持稳定,展示了其在实时性能方面的明显优势。
4.6. 对不同激光雷达类型的适用性
本节主要评估了所提出的DTD方法对不同类型激光雷达传感器的适用性。使用了HeLiPR数据集提供的两个固态激光雷达,Avia和Aeva。这些传感器具有不同的视场(FOV)并采用非重复扫描模式。
在实验设置中,累积10帧作为一个关键帧,当GT距离小于15米时,检测到的回环被视为真阳性。其余算法参数与第4.2节中描述的一致。
实验结果表明,DTD在几乎所有序列上的F1 max分数和EP值均高于STD和Scan Context。与STD相比,F1 max分数分别提高了24%、116.61%、95.03%和86.61%,表明DTD在固态激光雷达数据下保持了强大的回环闭合性能。此外,DTD在所有序列上始终优于DTD(w/o entropy),F1 max分数分别增加了3.33%、5.02%、3.07%和0.79%,进一步验证了基于熵的局部描述符在增强回环检测性能方面的有效性。
为了直观分析不同激光雷达类型对DTD的影响,比较了在KITTI 00、Avia KAIST04和Aeva DCC04数据集上的关键点提取结果。由于KITTI 00是使用具有360° FOV的激光雷达传感器采集的,因此它具有最丰富的关键点集,而Avia和Aeva具有较小的FOV但点云密度更高。实验结果表明,基于密度图像的关键点提取策略在不同传感器条件下保持稳定,并有效反映了点云密度较高的区域。
总之,DTD不仅适用于传统的机械旋转激光雷达,还可以应用于非重复扫描激光雷达,展示了良好的通用性和适应性。
5. 讨论
实验结果表明,与STD和Scan Context相比,DTD在回环检测方面表现出优越的整体性能,在大多数序列上实现了更高的F1 max分数和EP。进一步分析表明,DTD在多样化场景中表现出强大的鲁棒性:在来自NCLT和FusionPortable数据集的多个序列上,比较方法遭受了不同程度的性能下降。具体而言,Scan Context仅使用点云的最大高度进行投影,在开放或高度变化不明显的场景中容易导致误匹配;STD直接从三维点云中提取角点作为关键点,导致关键点更集中在激光雷达附近。相比之下,受先前基于BEV图像的特征提取方法(如BEVPlace)的启发,DTD基于密度图像提取关键点,有效覆盖了更远的距离和结构更丰富的区域,展示了对复杂环境更强的适应性。
此外,实验进一步验证了所提出的基于熵的局部描述符的有效性。与先前回环检测研究中使用的概率或信息论建模方法(如NDD)类似,熵可以有效地表征点云的分布特征。通过将熵纳入DTD,可以实现对候选回环闭合更可靠的相似性评估。消融研究结果表明,这种局部验证策略不仅提高了F1和EP指标,而且通过早期过滤错误的候选帧,显著降低了回环检测的计算成本。
此外,DTD被集成到真实的激光雷达里程计系统FAST-LIO中。实验表明,引入回环检测有效减少了累积漂移,提高了全局轨迹一致性。尽管STD和Scan Context也能在一定程度上提高轨迹质量,但DTD在RMSE指标上仍具有更显著的优势,这与回环检测实验得出的结论一致。
实验还突出了DTD在实时性能方面的优势。对子模块运行时间的统计分析表明,与STD相比,DTD的效率提升主要来自其描述符提取策略和两阶段回环检测方法。基于密度图像的关键点提取比直接在三维点云上操作更高效,而基于熵的局部描述符减少了不必要的匹配计算,从而提高了整体系统效率。
最后,评估了DTD在其他类型激光雷达下的适用性。结果表明,在不同激光雷达类型和扫描模式下,DTD始终优于比较方法。这主要归功于所采用的关键点提取策略:即使传感器类型和采集方法发生变化,DTD提取的关键点仍然能够可靠地反映点云中的高密度结构区域。
6. 结论
本文提出了一种新颖的全局描述符,即密度三角描述符(DTD),用于复杂环境中的激光雷达回环检测。DTD由基于密度图像的关键点提取、描述符构建和两阶段回环检测策略组成。通过从密度BEV图像中提取关键点,该方法在效率和稳定性方面优于直接操作三维点云。同时,引入了基于熵的局部描述符,以增强对局部结构变化的鲁棒性,并结合几何约束实现可靠的回环验证和位姿估计。
该方法在四个公共数据集上进行了系统验证:KITTI、NCLT、FusionPortable和HeLiPR,涵盖了各种复杂场景和不同类型的激光雷达传感器。与STD和Scan Context方法相比,DTD在回环检测精度和计算效率方面均表现出显著优势。实验结果表明,与STD相比,DTD将平均F1 max分数和EP分别提高了18.30%和20.08%,同时将计算效率提高了50.57%。此外,将DTD集成到FAST-LIO里程计系统中有效抑制了长期累积误差,将轨迹RMSE平均降低了51.02%。这些结果表明,DTD在复杂环境中具有良好的稳定性、鲁棒性和环境适应性,验证了其在实用SLAM系统中的应用潜力。
在未来的工作中,将进一步扩展描述符的表达能力和应用范围。将考虑引入更丰富的关键点描述信息(如语义特征),以提高表征复杂场景结构的能力。此外,将探索多传感器融合策略,在激光雷达退化场景中引入视觉信息,为系统提供额外的约束,进一步提高系统的鲁棒性和适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号