- 0. 扬州瘦西湖隧道
- 1. Integrated navigation with GNSS \& IMU mapping
- 2. Feature based SLAM
- 3. Lidar-IMU SLAM
- 4. FEATURE EXTRACTION（11.25）
- 5. 改进特征建图（11.30）
0. 扬州瘦西湖隧道
全长4.4km
共设有12组逃生通道
1. Integrated navigation with GNSS & IMU mapping
1.1 建图效果
根据ins位姿映射到起点
动态物体未去除
帧与帧之间存在误差，对不齐
1.2 轨迹
- 轨迹长度符合真实情况，用作后续比较的ground truth
2. Feature based SLAM
2.1 建图效果
- 动态物体未去除，同行车辆被当作特征建图。
2.2 轨迹对比
700m vs 3200m
进入隧道后一段距离可以跟踪建图，重复特征较多时，难以获得有效特征匹配，无法得到有效pose。
3. Lidar-IMU SLAM
3.1 使用全部点云匹配：
建图效果
轨迹对比
1200m vs 3200m
在1）进出隧道；2）有转弯，的地方能够估计出自车运动，轨迹可以反映基本形状。
在长直道难以估计出位姿
3.2 使用特征匹配：
- 效果不如全局匹配
建图效果
轨迹对比
- 1100m vs 3200m
4. FEATURE EXTRACTION（11.25）
有用的特征：边缘曲率，梁，扫描线
4.1 FEATURES
FLOAM
- LOAM类提取方法。
MULLS
地面：白色，提取效果不错，提取距离大概在60m
柱面：隧道内无明显柱面特征
立面：黄色。主要分布于两侧墙面，前车后立面也会被提取。
梁：红色。点云扫描边缘，车道与墙面交汇处，以及上方红绿灯等横梁。
角点：蓝色。分布于两侧墙面，点云稀疏处。
find ground: 5.29322ms
find unground: 94.9289ms
Pillar: [906 / 0] Beam: [1482 / 0] Facade: [365 / 0] Roof: [16 / 0] Vertex: [1402]
匹配效果见下节。
zheng
平面点聚类，记录特征中心。
地面与地面上的点被去除。
full: 48.6759ms
center: 55.2746ms
改进特征
最远可以探测到110～130m处的梁特征。
beam约束前后运动，facade约束航向运动。
特征
匹配结果
TRANSLATION: 1.8917817372525866 -0.3589180073315425 -0.1240118893990635 ROTATION: -0.582874110838635 -0.17952369378155364 0.8506732502603874
GT: 1.60161103005521 -0.03901633154600859 0.003720984378560388
4.2 特征匹配效果测试
facade
ROTATION: 0.10026415229906012 -0.037789288636643104 0.028922883060923277 TRANSFORM: -0.0022341084174282697 -0.020622324293664538 -0.009246697937472887
beam
ROTATION: -0.14544158527269985 -0.15685605495471888 -0.7940208012581766 TRANSFORM: -1.497877384899562 0.2293188223521817 -0.2220930518225458
pillar
ROTATION: -6.135291476676384 2.7929696079187045 0.3720736798573453 TRANSFORM: -2.772918442653669 -0.15609526647733912 1.1209641884333805
vertex
ROTATION: 0.08136797872529496 -0.32988581367588 -0.4571218152110009 TRANSFORM: -0.3469783235783132 0.05848230771925661 -0.12645609754115078
ground
ROTATION: 0.3689452864417122 -0.06710693876083082 -0.1895471521748845 TRANSFORM: -0.020153441095042326 0.26792033040768265 -0.013160392521254413
5. 改进特征建图（11.30）
5.1 Lidar + IMU 融合：
| 3222.735m | 特征：beam+pillar+facade | 特征：beam+pillar |
|---|---|---|
| 使用IMU做运动补偿—YES | FAST_LIO_mcon_beam_pillar_facade | FAST_LIO_mcon_beam_pillar |
| 使用IMU做运动补偿—NO | FAST_LIO_mcoff_beam_pillar_facade | FAST_LIO_mcoff_beam_pillar |
5.2 OVERVIEW
- 新特征对位姿的效果有较大提升，推断出的隧道长度2.83km大概接近隧道长度3.22km。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
name: GROUND TRUTH
infos: 2008 poses, 3222.735m path length
name: FAST_LIO_mcoff_beam_pillar_facade
infos: 2002 poses, 2784.669m path length
name: FAST_LIO_mcon_beam_pillar_facade
infos: 2002 poses, 2834.529m path length
name: FAST_LIO_mcoff_beam_pillar
infos: 2003 poses, 2811.946m path length
name: FAST_LIO_mcon_beam_pillar
infos: 2003 poses, 2833.535m path length
隧道中后端开始偏离原始轨迹，测试分段估计？
高度上估计误差较大，不使用facade特征和运动补偿时最接近GT高度。
ROLL角变化趋势偏离GT较大，末段偏离5度左右。PITCH和YAW角基本吻合GT变化趋势。
运动补偿能带来相对更准确的相对位姿。
从APE看，整体轨迹在后半段偏离较大，仍是加了运动补偿的效果较好。
| FAST_LIO_mcon_beam_pillar_facade | FAST_LIO_mcoff_beam_pillar_facade | FAST_LIO_mcon_beam_pillar | FAST_LIO_mcoff_beam_pillar | |
|---|---|---|---|---|
| RPE | rmse 0.310271 | rmse 0.340221 | rmse 0.317437 | rmse 0.326531 |
| APE | rmse 186.160158 | rmse 210.094900 | rmse 186.009823 | rmse 195.803037 |
5.3 分段建图
将隧道分为四段:
- 隧道外到隧道入口段
- 隧道入口至并道段
- 并道至长直段（700 帧）
- 长直段至隧道出口（721帧）
第3/4段开始出现较大偏差。