点云地点识别的挑战
地点识别和重新定位任务，根据传感器类型，主要有视觉相机捕获的图像和激光雷达传感器获取的3D点云：
- 基于相机的方法具优势是成本较低且广泛可用，但局限性是难以应对光照、外观或传感器视角显著变化的复杂情况。
- 相比之下，基于激光雷达的方法由于其3D测量的特点，具有若干潜在优势：对传感器视角变化的敏感度较低，以及对环境光照和纹理变化的高鲁棒性。
点云地点识别和重新位存在一些挑战：
- 视角变化的不变性：点云表示会根据传感器的位置和方向显著变化。
- 点云在空间上是稀疏的，不同距离处的密度不均匀：在处理和分析用于地点识别的点数据时带来了额外的复杂性
- 不同类型的激光雷达：在扫描模式、分辨率和噪声特性上存在显著差异。
- 外观变化：使用的各种载体平台（手持、车载、空中）和广泛的环境（城市、校园、非结构化）导致了点云分布、规模和外观的显著变化。
今天介绍的BTC[1]是一种用于3D点云地点识别、新颖的二进制三角形结合描述子。采用点云累积来缓解由于距离变化或激光雷达类型导致的点云密度不均匀问题。为了实现视角不变性，本方法设计了一种由从累积点云中提取的三个关键点形成的三角形边长组成的全局三角形描述子。三角形描述子本质上具有视角不变性，因为无论视角或方向如何，边长始终不变。虽然三角形描述子捕捉了点云的全局外观，但为了进一步增强其描述性和辨别力，开发了一种称为二进制描述子的局部描述子，用于编码构成三角形的每个关键点的局部几何信息。全局和局部描述子的结合使得即使在大规模非结构化环境中，也能实现准确和稳健的地点识别。
系统概览
子地图构建
通过在子地图上执行闭环检测来减轻点云密度不均和各种扫描模式的影响，子地图是若干最近的激光雷达扫描的累积。这种子地图累积策略对低分辨率激光雷达（例如16线旋转激光雷达）或非重复扫描激光雷达（例如Livox系列激光雷达）特别有用，因为累积增加了点云密度，无论激光雷达的扫描模式如何。
子地图可以从激光雷达（惯性）里程计[2]中构建，该里程计将每个新的激光雷达扫描注册到当前的子地图中进行累积。每个子地图由连续ns次扫描累积而成，从而形成更密集的点云表示。
关键点提取
平面检测
通过计算协方差矩阵的特征值和特征向量，我们可以识别出平面特征。具体方法是通过特征值的相对大小来判断点云的平面性。如果某个特征值远小于另两个特征值，则该体素中的点被认为是一个平面。此过程在整个点云子地图上进行，识别出所有可能的平面区域。
参考平面的生成
高度编码图像生成
关键点提取
BTC描述子
在本节中，我们介绍了BTC描述子的构建方法，该描述子由二进制描述子和三角形描述子组成。
二进制描述子
三角形描述子
BTC描述子
数据库构建
高效管理描述子
哈希函数 Hash(L) 使用这些量化后的边长作为输入，计算哈希键。具体来说，哈希函数的计算过程如下：
回环检测
候选子地图的选择
几何验证
公式如下：
实验效果
总结一下
BTC是一种用于3D点云的地点识别，新的二进制和三角形结合描述子。三角形描述子负责全局描述；二进制描述子负责局部。三角形描述子通过三个关键点的边长捕捉点云的全局外观，并提供了旋转和平移不变性，同时二进制描述子编码了每个关键点的局部几何信息，增强了描述子的描述性和辨别力。
未来方向：
- 进一步优化BTC描述子的计算效率
- 探索其在其他应用场景中的潜力
参考
[1] BTC: A Binary and Triangle Combined Descriptor for 3-D Place Recognition
[2] Efficient and probabilistic adaptive voxel mapping for accurate online LiDAR odometry
发表回复