目录
- [1. 基于优化的点到点/线的配准](#1. 基于优化的点到点/线的配准)
- [2. 对似然场图像进行插值，提高匹配精度](#2. 对似然场图像进行插值，提高匹配精度)
- [3. 对二维激光点云中会对SLAM功能产生退化场景的检测](#3. 对二维激光点云中会对SLAM功能产生退化场景的检测)
- [4. 在诸如扫地机器人等这样基于2D激光雷达导航的机器人，如何处理悬空/低矮物体](#4. 在诸如扫地机器人等这样基于2D激光雷达导航的机器人，如何处理悬空/低矮物体)
- [5. 也欢迎大家来我的读书号--过千帆，学习交流。](#5. 也欢迎大家来我的读书号--过千帆，学习交流。)
1. 基于优化的点到点/线的配准
这里实现了基于g2o优化器的优化方法。
图优化中涉及两个概念-顶点和边。我们的优化变量认为是顶点，误差项就是边。我们通过g2o声明一个图模型，然后往图模型中添加顶点和与顶点相关联的边，再选定优化算法（比如LM）就可以进行优化了。想熟悉g2o的小伙伴们感兴趣的话，可以到这个链接看一下。
g2o的基本框架和编程套路如下图：
基于g2o的点对点的配准算法代码实现如下：
cpp
bool Icp2d::AlignWithG2oP2P(SE2& init_pose)
{
double rk_delta = 0.8; // 核函数阈值
float max_dis2 = 0.01; // 最近邻时的最远距离（平方）
int min_effect_pts = 20; // 最小有效点数
// 构建图优化，先设定g2o
typedef g2o::BlockSolver<g2o::BlockSolverTraits<3, 2>> BlockSolverType; // 每个误差项优化变量维度为3， 误差值维度是2
typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType; // 线性求解器类型
// 梯度下降方法，可以从GN, LM, DogLeg 中选
auto solver = new g2o::OptimizationAlgorithmLevenberg(
g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
g2o::SparseOptimizer optimizer; // 图模型
optimizer.setAlgorithm(solver); // 设置求解器
optimizer.setVerbose(false); // 打开调试输出
// 往图中添加顶点
VertexSE2 *v = new VertexSE2(); // 新建SE2位姿顶点
v->setId(0); // 设置顶点的id
v->setEstimate(init_pose); // 设置顶点的估计值为初始位姿
optimizer.addVertex(v); // 将顶点添加到优化器中
// 往图中添加边
int effective_num = 0; // 有效点数
// 遍历source
for (size_t i = 0; i < source_scan_->ranges.size(); ++i)
{
float range = source_scan_->ranges[i];
if (range < source_scan_->range_min || range > source_scan_->range_max)
{
continue;
}
float angle = source_scan_->angle_min + i * source_scan_->angle_increment;
float theta = v->estimate().so2().log();
Vec2d pw = v->estimate() * Vec2d(range * std::cos(angle), range * std::sin(angle));
Point2d pt;
pt.x = pw.x();
pt.y = pw.y();
// 最近邻
std::vector<int> nn_idx;
std::vector<float> dis;
kdtree_.nearestKSearch(pt, 1, nn_idx, dis);
if (nn_idx.size() > 0 && dis[0] < max_dis2)
{
effective_num++;
Vec2d qw = Vec2d(target_cloud_->points[nn_idx[0]].x, target_cloud_->points[nn_idx[0]].y); // 当前激光点在目标点云中的最近邻点坐标
auto *edge = new EdgeIcpP2P(range, angle, theta); // 构建约束边
edge->setVertex(0, v); // 设置连接的顶点
edge->setMeasurement(qw); // 观测，即最近邻
edge->setInformation(Mat2d::Identity()); // 观测为2维点坐标，因此信息矩阵需设为2x2单位矩阵
auto rk = new g2o::RobustKernelHuber; // Huber鲁棒核函数
rk->setDelta(rk_delta); // 设置阈值
edge->setRobustKernel(rk); // 为边设置鲁棒核函数
optimizer.addEdge(edge); // 将约束边添加到优化器中
}
}
if (effective_num < min_effect_pts) {
return false;
}
// 执行优化
optimizer.initializeOptimization(); // 初始化优化器
optimizer.optimize(10); // 优化
init_pose = v->estimate();
LOG(INFO) << "g2o estimated pose: " << v->estimate().translation().transpose() << ", theta: " << v->estimate().so2().log();
return true;
}效果展示：
基于g2o的点对线的配准算法代码实现如下：
cpp
bool Icp2d::AlignWithG2oP2Plane(SE2& init_pose)
{
double rk_delta = 0.8; // 核函数阈值
float max_dis2 = 0.01; // 最近邻时的最远距离（平方）
int min_effect_pts = 20; // 最小有效点数
// 构建图优化，先设定g2o
typedef g2o::BlockSolver<g2o::BlockSolverTraits<3, 1>> BlockSolverType; // 每个误差项优化变量维度为3， 误差值维度是1
typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType; // 线性求解器类型
// 梯度下降方法，可以从GN, LM, DogLeg 中选
auto solver = new g2o::OptimizationAlgorithmLevenberg(
g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
g2o::SparseOptimizer optimizer; // 图模型
optimizer.setAlgorithm(solver); // 设置求解器
optimizer.setVerbose(true); // 打开调试输出
// 往图中添加顶点
VertexSE2 *v = new VertexSE2(); // 新建SE2位姿顶点
v->setId(0); // 设置顶点的id
v->setEstimate(init_pose); // 设置顶点的估计值为初始位姿
optimizer.addVertex(v); // 将顶点添加到优化器中
// 往图中添加边
int effective_num = 0; // 有效点数
// 遍历source
for (size_t i = 0; i < source_scan_->ranges.size(); ++i)
{
float range = source_scan_->ranges[i];
if (range < source_scan_->range_min || range > source_scan_->range_max)
{
continue;
}
float angle = source_scan_->angle_min + i * source_scan_->angle_increment;
float theta = v->estimate().so2().log();
Vec2d pw = v->estimate() * Vec2d(range * std::cos(angle), range * std::sin(angle));
Point2d pt;
pt.x = pw.x();
pt.y = pw.y();
// 查找5个最近邻
std::vector<int> nn_idx;
std::vector<float> dis;
kdtree_.nearestKSearch(pt, 5, nn_idx, dis);
std::vector<Vec2d> effective_pts; // 有效点
for (int j = 0; j < nn_idx.size(); ++j)
{
if (dis[j] < max_dis2)
{
effective_pts.emplace_back(
Vec2d(target_cloud_->points[nn_idx[j]].x, target_cloud_->points[nn_idx[j]].y));
}
}
if (effective_pts.size() < 3)
{
continue;
}
// 拟合直线，组装J、H和误差
Vec3d line_params;
if (math::FitLine2D(effective_pts, line_params)) {
effective_num++;
auto *edge = new EdgeIcpP2Plane(range, angle, theta, line_params); // 构建约束边
edge->setVertex(0, v); // 设置连接的顶点
edge->setInformation(Eigen::Matrix<double, 1, 1>::Identity()); // 误差为1维
auto rk = new g2o::RobustKernelHuber; // Huber鲁棒核函数
rk->setDelta(rk_delta); // 设置阈值
edge->setRobustKernel(rk); // 为边设置鲁棒核函数
optimizer.addEdge(edge); // 将约束边添加到优化器中
}
}
if (effective_num < min_effect_pts)
{
return false;
}
// 执行优化
optimizer.initializeOptimization(); // 初始化优化器
optimizer.optimize(10); // 优化10次
init_pose = v->estimate();
LOG(INFO) << "g2o estimated pose: " << v->estimate().translation().transpose() << ", theta: " << v->estimate().so2().log();
return true;
}其中，直线拟合的代码为： 其中，直线拟合的代码为： 其中，直线拟合的代码为：
cpp
template <typename S>
bool FitLine2D(const std::vector<Eigen::Matrix<S, 2, 1>>& data, Eigen::Matrix<S, 3, 1>& coeffs) {
if (data.size() < 2) {
return false;
}
Eigen::MatrixXd A(data.size(), 3);
for (int i = 0; i < data.size(); ++i) {
A.row(i).head<2>() = data[i].transpose();
A.row(i)[2] = 1.0;
}
Eigen::JacobiSVD svd(A, Eigen::ComputeThinV);
coeffs = svd.matrixV().col(2);
return true;
}效果展示：
2. 对似然场图像进行插值，提高匹配精度
高博书中分别实现了基于g2o和手写高斯牛顿两种方法，其中手写高斯牛顿法中没有使用插值，在g2o方法中用到了插值。这里直接将其挪用到手写高斯牛顿法中。所以这里不做赘述，只来介绍一下双线性插值的过程。
cpp
// bilinear interpolation
template <typename T>
inline float GetPixelValue(const cv::Mat& img, float x, float y) {
// boundary check
if (x < 0) x = 0;
if (y < 0) y = 0;
if (x >= img.cols) x = img.cols - 1;
if (y >= img.rows) y = img.rows - 1;
const T* data = &img.at<T>(floor(y), floor(x));
float xx = x - floor(x);
float yy = y - floor(y);
return float((1 - xx) * (1 - yy) * data[0] + xx * (1 - yy) * data[1] + (1 - xx) * yy * data[img.step / sizeof(T)] +
xx * yy * data[img.step / sizeof(T) + 1]);
}双线性插值的过程如图：
对应到程序中：
a = y y ; a=yy; a=yy;
b = x x ; b=xx; b=xx;
v 1 = d a t a [ 0 ] ; v1=data[0]; v1=data[0];
v 2 = d a t a [ 1 ] ; v2=data[1]; v2=data[1];
v 3 = d a t a [ i m g . s t e p / s i z e o f ( T ) ] ; v3=data[img.step / sizeof(T)]; v3=data[img.step/sizeof(T)];
v 4 = d a t a [ i m g . s t e p / s i z e o f ( T ) + 1 ] ; v4=data[img.step / sizeof(T) + 1]; v4=data[img.step/sizeof(T)+1];===================================>可得：
v 7 = f l o a t ( ( 1 − x x ) ∗ ( 1 − y y ) ∗ d a t a [ 0 ] + x x ∗ ( 1 − y y ) ∗ d a t a [ 1 ] + ( 1 − x x ) ∗ y y ∗ d a t a [ i m g . s t e p / s i z e o f ( T ) ] + x x ∗ y y ∗ d a t a [ i m g . s t e p / s i z e o f ( T ) + 1 ] ) ; v7=float((1 - xx) * (1 - yy) * data[0] + xx * (1 - yy) * data[1] + (1 - xx) * yy * data[img.step / sizeof(T)] + xx * yy * data[img.step / sizeof(T) + 1]); v7=float((1−xx)∗(1−yy)∗data[0]+xx∗(1−yy)∗data[1]+(1−xx)∗yy∗data[img.step/sizeof(T)]+xx∗yy∗data[img.step/sizeof(T)+1]);
效果展示：
3. 对二维激光点云中会对SLAM功能产生退化场景的检测
视频中高博讲到对于2DSLAM来说，可以对点云进行直线拟合，比较场景中直线方向是否"大体一致"。
具体思路：可以对场景中的点云进行聚类，然后对每个类簇中的点进行直线拟合，保存所有直线的系数。参考提示中的条件判断实现该功能。
实现代码如下：
cpp
bool Icp2d::IsDegeneration()
{
if (target_cloud_->empty())
{
LOG(ERROR) << "cannot load cloud...";
return false;
}
int point_size = target_cloud_->size();
if(point_size < 500) return true; // 点数太少，空旷退化场景
LOG(INFO) << "traget_cloud size = " << point_size;
PointCloudType::Ptr target_cloud(new PointCloudType());
// 构建点云
for (size_t i = 0; i < target_scan_->ranges.size(); ++i)
{
if (target_scan_->ranges[i] < target_scan_->range_min || target_scan_->ranges[i] > target_scan_->range_max)
{
continue;
}
double real_angle = target_scan_->angle_min + i * target_scan_->angle_increment;
PointType p;
p.x = target_scan_->ranges[i] * std::cos(real_angle);
p.y = target_scan_->ranges[i] * std::sin(real_angle);
p.z = 1.0;
target_cloud->points.push_back(p);
}
pcl::search::KdTree<PointType>::Ptr kdtree; // (new pcl::search::KdTree<PointType>)
kdtree = boost::make_shared<pcl::search::KdTree<PointType>>();
// 构建kdtree
kdtree->setInputCloud(target_cloud);
pcl::EuclideanClusterExtraction<PointType> clusterExtractor;
// 创建一个向量来存储聚类的结果
std::vector<pcl::PointIndices> cluster_indices;
clusterExtractor.setClusterTolerance(0.02); // 设置聚类的距离阈值
clusterExtractor.setMinClusterSize(10); // 设置聚类的最小点数
clusterExtractor.setMaxClusterSize(1000); // 设置聚类的最大点数
clusterExtractor.setSearchMethod(kdtree); // 使用kdtree树进行加速
clusterExtractor.setInputCloud(target_cloud); // 设置点云聚类对象的输入点云数据
clusterExtractor.extract(cluster_indices); // 执行点云聚类
LOG(INFO) << "cluster size: " << cluster_indices.size();
// 创建可视化对象
pcl::visualization::PCLVisualizer viewer("Cluster Viewer");
viewer.setBackgroundColor(1.0, 1.0, 1.0);
viewer.addPointCloud<PointType>(target_cloud, "cloud");
int clusterNumber = 0; // 输出聚类结果
std::vector<Eigen::Vector3d> line_coeffs_vector;
for (const auto& indices : cluster_indices)
{
LOG(INFO) << "Cluster " << clusterNumber << " has " << indices.indices.size() << " points.";
pcl::PointCloud<PointType>::Ptr cluster(new pcl::PointCloud<PointType>);
pcl::copyPointCloud(*target_cloud, indices, *cluster);
// 拟合直线
std::vector<Eigen::Vector2d> pts;
pts.reserve(cluster->size());
for (const PointType& pt : *cluster)
{
pts.emplace_back(Eigen::Vector2d(pt.x, pt.y));
}
// 拟合直线，组装J、H和误差
Eigen::Vector3d line_coeffs;
// 利用当前点附近的几个有效近邻点，基于SVD奇异值分解，拟合出ax+by+c=0 中的最小直线系数 a,b,c，对应公式（6.11）
if (math::FitLine2D(pts, line_coeffs))
{
line_coeffs_vector.push_back(line_coeffs);
}
// 为聚类分配不同的颜色
double r = static_cast<double>(rand()) / RAND_MAX;
double g = static_cast<double>(rand()) / RAND_MAX;
double b = static_cast<double>(rand()) / RAND_MAX;
// 将聚类点云添加到可视化对象中
std::string clusterId = "cluster_" + std::to_string(clusterNumber);
viewer.addPointCloud<PointType>(cluster, clusterId);
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, r, g, b, clusterId);
clusterNumber++;
}
int lines_size = line_coeffs_vector.size();
LOG(INFO) << "clusterNumber = " << clusterNumber << " lines_size = " << lines_size;
if(clusterNumber == lines_size)
{
if(clusterNumber == 1) return true; // 如果仅有一条直线，就是退化场景
float max_score = 0;
for(int i = 0; i < lines_size - 1; ++i)
{
for(int j = i+1; j < lines_size; ++j)
{
float current_score = line_coeffs_vector[i].cross(line_coeffs_vector[j]).norm();
LOG(INFO) << "current_score = " << current_score;
max_score = current_score > max_score ? current_score : max_score;
}
}
LOG(INFO) << "mas_score = " << max_score;
if(max_score < 0.3) return true; // 叉积小于阈值，代表是退化场景，直线差不多都平行
}
if (!viewer.wasStopped())
{
viewer.spinOnce(0.001);
sleep(1); //延时函数，不加的话刷新太快会看不到显示效果
viewer.close();
}
return false;
}
上图为聚类结果，下面是程序运行时效果。
效果展示：
4. 在诸如扫地机器人等这样基于2D激光雷达导航的机器人，如何处理悬空/低矮物体
在二维SLAM方案中，如果场景中存在其他高度的障碍物或物体形状随着高度变化的情况，可以采取一些方法来处理悬空物体和低矮物体，以避免机器人与它们发生碰撞。以下是几种思路：
①可以给机器人添加三维传感器，比如RGB-D相机，将相机构建的三维地图点投影到激光雷达构建的二维栅格地图中，使得二维地图中包含高度信息。具体做法如文献[1]孙健, 刘隆辉, 李智, 杨佳玉, & 申奥. (2022). 基于rgb-d相机和激光雷达的传感器数据融合算法. 湖南工程学院学报:自然科学版, 32(1), 7.中描述的"首先将RGB-D相机获取的深度图像转换为三维点云,剔除地面点云后进行投影得到模拟2D激光数据,然后与二维激光雷达数据进行点云配准,以获取两个传感器之间的位姿关系,最后通过扩展卡尔曼滤波(EKF)将两组激光数据进行融合.实验结果表明该方法能综合利用相机和激光雷达传感器优势,有效提高机器人环境感知的完整性和建图精度. "
②由于2D SLAM生成的占据栅格地图，是基于像素的黑白灰三色地图，我们可以人工对此地图进行"加工"，对于特定场景中存在的要躲避的三维物体预先建模，在二维栅格地图中标注出他们的位置以及高度信息，来帮助机器人更好的躲避他们。
③尝试使用普通相机对环境中的物体进行语义识别，然后把需要躲避的三维物体投影到二维平面，"告诉"机器人前面有个"物体"阻挡，不具备通过的条件。