近日，IROS 2021 The HILTI SLAM 挑战赛公布了竞赛结果，旷视研究院荣获此次挑战赛的冠军。这是继去年包揽 CVPR 2020 SLAM 挑战赛全部赛道的冠军后，旷视研究院再次获得顶会 SLAM 竞赛的冠军
2021 HILTI SLAM 挑战赛是国际顶级会议——智能机器人与系统国际会议（IEEE/RSJ International Conference on Intelligent Robots and Systems，以下简称IROS）中的一项竞赛，由苏黎世理工和 HILTI 联合举办。IROS 成立于 1988 年，每年举办一次，已发展成为全球规模最大、影响力最强的机器人研究会议之一。
赛题介绍
实时定位与地图构建（Simultaneous Localization and Mapping，SLAM）是机器人导航和执行任务所必需的基本能力之一。虽然近些年来基于几何的方法和基于学习的 SLAM 方法都取得较大的进展，但在真实世界中部署一套精准且鲁棒的SLAM算法，仍然是一个具有挑战性的问题。在这次挑战赛中，HILTI 提出了一个新的数据集，包含 12 个序列。每个序列都代表不同阶段的施工现场，如地下室、校园、建筑工地、办公室、实验室、露天停车场等。参赛队伍可以使用数据集中提供的任何传感器设计 SLAM 算法。挑战赛主办方会根据参赛队伍轨迹的完整性和精度进行评分，并按照总分的高低进行排名。
旷视夺冠算法揭秘
本次比赛吸引了全球20支企业和高校队伍参赛。最终，我们采用基于双激光+IMU 的 SLAM 算法作为参赛方案，经过激烈的竞争最后获得了竞赛冠军。
我们分析了比赛数据集提供的传感器信息。其中视觉模块为 SevenSense 的五目相机模组，该模组能够提供丰富的纹理信息，但对光照变化比较敏感，特别是在室外环境。而 3D 激光传感器在不同光照下均能够提供鲁棒和精确的距离测量，更适合该数据集。另外将这5个相机进行融合工作量较大，短期内无法获得一个满意的结果。因此，我们选择 3D 激光雷达作为主要的传感器。
数据集中提供了两个激光雷达，其中 Ouster 具有360度的视场角，能够提供稠密的测量；而 Livox MID70 的视场角仅有70度，但它的测量范围长达260米。使用单一的激光雷达容易出现退化的情况，即使利用 IMU 能够保证短时间内的精度，但整体的定位精度会受到影响。如下图（左），仅使用 Ouster 激光，在空旷的环境中能够定位的特征很少；下图（右），仅使用 Livox 激光，在特定数据集中视野受限。因此，我们最终选择了双激光+IMU的方案。
整体方案如下，这是一个基于滤波的激光惯导里程计：主要分为数据同步、畸变补偿、滤波器的预测更新、地图管理等步骤。
实际数据中，两个激光并不是完全同步的，时间戳相差 10-20ms。因此第一步是将 Livox 的激光点云按照每个点的时间戳重新组织（即切割 Livox 的点云数据），与 Ouster 的时间戳进行对齐。接着在 Ouster 一帧激光的测量时间内，利用 IMU 测量进行状态更新。状态更新的数据可以去点云的运动畸变。然后将 Livox 去畸变的点云转换到 Ouster 坐标系下，与 Ouster 的激光点云进行合并。数据同步步骤尤为关键，大大简化了程序的处理流程。
在滤波器更新阶段，采用点面距离构建测量模型进行更新。其中，每个点对应的平面是根据 K 近邻搜索和 PCA 拟合平面获得的。在获得优化的位姿后，将当前帧的点云转换到全局坐标系下并插入地图中。由于数据集的场景并不算太大（最大的场景为 100*100 米），同时为了程序的效率，我们采用一个增量式的 KD 树维护全局地图。为了保持全局地图的稀疏性，只有离地图中已存在的点较远的点云才可以插入。
亮点
1 双激光的结合大幅度地提升了程序的鲁棒性和精度；
2 滤波器能够实时估计出IMU的偏置和速度，能够提升畸变补偿的精度，反过来提升定位建图的精度；
3 由于全局地图的存在，不需要回环模块。程序得到了简化。
最后为大家展示一下利用算法构建的地图：
参考文献
- Helmberger, Michael, et al. "The Hilti SLAM Challenge Dataset." arXiv preprint arXiv:2109.11316 (2021).
- Xu, Wei, et al. "Fast-lio2: Fast direct lidar-inertial odometry." arXiv preprint arXiv:2107.06829 (2021).
- Zhang, Ji, and Sanjiv Singh. "LOAM: Lidar Odometry and Mapping in Real-time." Robotics: Science and Systems. Vol. 2. No. 9. 2014.
- Hackel, Timo, Jan D. Wegner, and Konrad Schindler. "Fast semantic segmentation of 3D point clouds with strongly varying density." ISPRS annals of the photogrammetry, remote sensing and spatial information sciences 3 (2016): 177-184.
- Cai, Yixi, Wei Xu, and Fu Zhang. "ikd-Tree: An Incremental KD Tree for Robotic Applications." arXiv preprint arXiv:2102.10808 (2021).
- Mourikis, Anastasios I., and Stergios I. Roumeliotis. "A multi-state constraint Kalman filter for vision-aided inertial navigation." Proceedings 2007 IEEE International Conference on Robotics and Automation. IEEE, 2007.
首发：旷视研究院
作者：R
专栏文章推荐
