由于激光雷达在定位方面的诸多优势,已被越来越多的车企应用,更是成为了自动驾驶赛道的关键竞争点。
近日,智行者高翔博士带领的定位团队撰写的论文《Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Incremental Voxels》被国际公认的自动驾驶领域TOP级期刊IEEE Robotics and Automation Letters收录刊登。
该论文主要对激光雷达算法进行了深入探讨,智行者提出了一种基于iVox(incremental voxels)的算法,以快速跟踪旋转的激光雷达-惯性里程计(LIO)方法固态激光雷达扫描。在该算法中,智行者定位团队使用iVox作为点云空间数据结构,即从传统的体素修改,支持增量插入和并行近似k-NN查询。该算法可以有效的降低点云配准时的耗时,也不会影响LIO的精度表现。
高翔博士认为,目前行业内已有的开源的LIO大部分只能在自己的数据集上跑,换一个数据集就很容易出现问题。虽然近期的方案稳定性有了一定程度的提升,但依然没有纯Lidar方案那么稳定,各种指标也有一定的提升空间。
据了解,本论文中提及的Faster-LIO是基于FastLIO2开发的。FastLIO2是开源LIO中较为优秀的代表,其前端使用了增量的kdtree(ikd-tree),后端使用了迭代ESKF(IEKF),具有流程短、计算快等优势特点。Faster-LIO则把ikd-tree替换为iVox,同时优化了一些代码逻辑,实现了更快的LIO。
众所周知,kd树类结构的优势在于可以严格地查询K近邻,也可以以范围或盒子形式来查询最近邻(range search/box search),查询过程中可以设置最大距离等限制条件,实现快速的近似最近邻查找(Aproximate Nearest Neighbor, ANN)。然而传统的Kd树是不带增量结构的。像ikd-tree这种带增量加点的结构,虽然不用完全重新构建,但也需要花额外的时间去维护这个树的结构。
FasterLIO使用了一种基于稀疏体素的近邻结构iVox(incremental voxels)。高翔博士表示:“我们会发现这种结构用来做LIO更加合适,可以有效的降低点云配准时的耗时,也不会影响LIO的精度表现。我们使用两个版本的iVox:一种是线性的,一种是基于空间填充曲线的(伪希尔伯特空间曲线,pseudo-Hilbert curve, PHC)。”
对于此全新的基于ivox激光雷达算法,智行者定位团队进行了详尽的仿真实验和数据集实验。其中,仿真实验是在一个随机生成的点云里进行K近邻查找以及新增地图点的实验,对比了Kdtree flann, ikd-tree, nanoflann R-tree, faiss-IVF, nmslib几个库。智行者定位团队发现iVox在K近邻查找和新增的耗时都很少,但它们随地图点数的增长会更快。
同时,团队对iVox的K近邻质量问题也进行了比较,发现大部分时候由于天然的有范围限制iVox的K近邻是不严格的。我们把K近邻的结果与暴力搜索的结果进行比对,可以得到它的召回率(recall)。如果要求iVox有很高的召回,那就不得不设置很大的体素尺寸或者很大的搜索近邻,这时候iVox的查找时间会增长很快,不过LIO系统在70%左右的召回率下就能很好地工作。
数据集实验则主要比较整个LIO系统的耗时和计算精度。以框架基本相同的FastLIO2为主要对标。实验发现,主要的耗时在IEKF+ICP的迭代过程,iVox替代iKd-tree时,这个过程明显缩短。UTBM数据集要明显一些,我们可以把差不多20ms的IEKF迭代降到5-8ms左右,整个流程可以从30ms左右降到10ms左右,实现明显的效率提升。
上述实验均表明,在同等精度指标下可以明显提升LIO计算速度,这为基于ivox的全新激光雷达算法提供了可靠的数据支撑。同时,这一算法的提出也将成为激光雷达技术发展提供更多可能。
