一個利用GT-SAM的緊耦合激光雷達慣導里程計的框架

前言

LIO-SAM的全稱是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

從全稱上可以看出，該算法是一個緊耦合的雷達慣導里程計（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM庫中的方法。

LIO-SAM 提出了一個利用GT-SAM的緊耦合激光雷達慣導里程計的框架。

實現(xiàn)了高精度、實時的移動機器人的軌跡估計和建圖。

其中點云運動畸變矯正的代碼在圖像投影的節(jié)點中

可以看到該節(jié)點 訂閱 3種消息：

原始點云數(shù)據(jù)

原始imu數(shù)據(jù)

imu預積分后預測的imu里程計數(shù)據(jù)其中完成的一個主要功能就是進行畸變矯正。

本篇博客將解讀其畸變矯正處理流程部分。

畸變矯正

將點云投影到一個矩陣上，并保存每個點的信息,并在內部進行畸變矯正

  void projectPointCloud()  {

    int cloudSize = laserCloudIn->points.size();    for (int i = 0; i < cloudSize; ++i)    {

遍歷整個點云

      PointType thisPoint;       thisPoint.x = laserCloudIn->points[i].x;      thisPoint.y = laserCloudIn->points[i].y;      thisPoint.z = laserCloudIn->points[i].z;      thisPoint.intensity = laserCloudIn->points[i].intensity;

取出對應的某個點

float range = pointDistance(thisPoint);

計算這個點距離lidar中心的距離

      if (range < lidarMinRange || range > lidarMaxRange)        continue;

距離太小或者太遠都認為是異常點

      int rowIdn = laserCloudIn->points[i].ring;      if (rowIdn < 0 || rowIdn >= N_SCAN)        continue;      if (rowIdn % downsampleRate != 0)        continue;

取出對應的在第幾根scan上

scan id 合理判斷

如果需要降采樣，就根據(jù)scan id 適當跳過

      float horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI;       static float ang_res_x = 360.0/float(Horizon_SCAN);      int columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;      if (columnIdn >= Horizon_SCAN)        columnIdn -= Horizon_SCAN;      if (columnIdn < 0 || columnIdn >= Horizon_SCAN)        continue;

計算水平角

計算水平分辨率

計算水平線束id ，轉換到x負方向為起始，順時針為正方向，范圍[0-H]

對水平角做補償，因為雷達是順時針旋轉，

對水平id進行檢查

      if (rangeMat.at(rowIdn, columnIdn) != FLT_MAX)        continue;

如果這個位置有填充了就跳過

點云不是完全的360度，可能會多一些

      thisPoint = deskewPoint(&thisPoint, laserCloudIn->points[i].time);

對點做運動補償

rangeMat.at(rowIdn, columnIdn) = range;

將這個點的距離數(shù)據(jù)保存進這個range矩陣種

int index = columnIdn + rowIdn * Horizon_SCAN;

算出點的索引

fullCloud->points[index] = thisPoint;

保存這個點的坐標

之后來看下運動補償?shù)煤瘮?shù)deskewPoint

  PointType deskewPoint(PointType *point, double relTime)  {

    if (deskewFlag == -1 || cloudInfo.imuAvailable == false)      return *point;

判斷是否可以進行運動補償，不能得話則之間返回原點

判斷依據(jù)：

deskewFlag 是原始點云 沒有 time得標簽 則為-1

cloudInfo.imuAvailable 的原始imu里面的數(shù)據(jù)判斷

    double pointTime = timeScanCur + relTime;

relTime 是相對時間，加上起始時間就是絕對時間

    float rotXCur, rotYCur, rotZCur;    findRotation(pointTime, &rotXCur, &rotYCur, &rotZCur);

通過findRotation函數(shù) 計算當前點 相對起始點的相對旋轉

其內部為：

  void findRotation(double pointTime, float *rotXCur, float *rotYCur, float *rotZCur)  {    *rotXCur = 0; *rotYCur = 0; *rotZCur = 0;

先將相對旋轉至0

    int imuPointerFront = 0;    while (imuPointerFront < imuPointerCur)    {      if (pointTime < imuTime[imuPointerFront])        break;      ++imuPointerFront;    }

找到距離該點云時間最近的 大于該點云時間的點

    if (pointTime > imuTime[imuPointerFront] || imuPointerFront == 0)    {      *rotXCur = imuRotX[imuPointerFront];      *rotYCur = imuRotY[imuPointerFront];      *rotZCur = imuRotZ[imuPointerFront];    }

如果時間戳不在兩個imu的旋轉之間，就直接賦值了

    } else {       int imuPointerBack = imuPointerFront - 1;      double ratioFront = (pointTime - imuTime[imuPointerBack]) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);      double ratioBack = (imuTime[imuPointerFront] - pointTime) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);      *rotXCur = imuRotX[imuPointerFront] * ratioFront + imuRotX[imuPointerBack] * ratioBack;      *rotYCur = imuRotY[imuPointerFront] * ratioFront + imuRotY[imuPointerBack] * ratioBack;      *rotZCur = imuRotZ[imuPointerFront] * ratioFront + imuRotZ[imuPointerBack] * ratioBack;    }

否則 作一個線性插值，得到相對旋轉

算兩個權重 進行 插值

    float posXCur, posYCur, posZCur;    findPosition(relTime, &posXCur, &posYCur, &posZCur);

這里沒有計算平移補償 如果運動不快的話

    if (firstPointFlag == true)    {      transStartInverse = (pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur)).inverse();      firstPointFlag = false;    }

計算第一個點的相對位姿

    Eigen::Affine3f transFinal = pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur);    Eigen::Affine3f transBt = transStartInverse * transFinal;

計算當前點和第一點的相對位姿

    newPoint.x = transBt(0,0) * point->x + transBt(0,1) * point->y + transBt(0,2) * point->z + transBt(0,3);    newPoint.y = transBt(1,0) * point->x + transBt(1,1) * point->y + transBt(1,2) * point->z + transBt(1,3);    newPoint.z = transBt(2,0) * point->x + transBt(2,1) * point->y + transBt(2,2) * point->z + transBt(2,3);    newPoint.intensity = point->intensity;    return newPoint;

就是R*p+t ，把點補償?shù)降谝粋€點對應的時刻的位姿

然后看提取出有效的點的信息 函數(shù)cloudExtraction

  void cloudExtraction()  {

    for (int i = 0; i < N_SCAN; ++i)    {

遍歷每一根scan

cloudInfo.startRingIndex[i] = count - 1 + 5;

這個scan可以計算曲率的起始點（計算曲率需要左右各五個點）

      for (int j = 0; j < Horizon_SCAN; ++j)      {

遍歷該 scan上的每 個點

        if (rangeMat.at(i,j) != FLT_MAX)//FLT_MAX就是最大的浮點數(shù)        {

判斷該點 是否 是一個 有效的點

rangeMat的每個點初始化為FLT_MAX ，如果點有效，則會賦值為 range

cloudInfo.pointColInd[count] = j;

點云信息里面 這個點對應著哪一個垂直線

cloudInfo.pointRange[count] = rangeMat.at(i,j);

點云信息里面 保存它的距離信息

 extractedCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);

他的3d坐標信息

cloudInfo.endRingIndex[i] = count -1 - 5;

這個scan可以計算曲率的終端

在上面處理完后

即可發(fā)布點云

  void publishClouds()  {    cloudInfo.header = cloudHeader;    cloudInfo.cloud_deskewed = publishCloud(&pubExtractedCloud, extractedCloud, cloudHeader.stamp, lidarFrame);    pubLaserCloudInfo.publish(cloudInfo);  }

最后將處理后的點云發(fā)布出去

result

審核編輯：劉清