8. 《自动驾驶与机器人中的SLAM技术》基于保存的自定义NDT地图文件进行自动驾驶车辆的激光定位

目录

[1. 为 NDT 设计一个匹配度评估指标,利用该指标可以判断 NDT 匹配的好坏。](#1. 为 NDT 设计一个匹配度评估指标,利用该指标可以判断 NDT 匹配的好坏。)

[2. 利用第 1 题的指标,修改程序,实现 mapping 部分的回环检测。](#2. 利用第 1 题的指标,修改程序,实现 mapping 部分的回环检测。)

[3. 将建图结果导出为 NDT map,即将 NDT 体素内的均值和协方差都存储成文件。](#3. 将建图结果导出为 NDT map,即将 NDT 体素内的均值和协方差都存储成文件。)

[4. 实现基于 NDT map 的激光定位。根据车辆实时位姿,加载所需的 NDT 体素并完成定位。](#4. 实现基于 NDT map 的激光定位。根据车辆实时位姿,加载所需的 NDT 体素并完成定位。)

[5. 给出上述结果相比于 PCL NDT 的性能、存储空间等关键指标](#5. 给出上述结果相比于 PCL NDT 的性能、存储空间等关键指标)

1. NDT设计一个匹配度评估指标,利用该指标可以判断NDT匹配的好坏。

2. 利用第1题的指标,修改程序,实现mapping部分的回环检测。


下图是 PCL 版本 NDT 匹配,在阈值设置( ndt_score_th )为 4.5 时的匹配结果( 其中加载
的关键帧数目我删掉了一些,因为实在是耗时有点久。。。)

根据上面 PCL 版本的 NDT 检测结果来确定适配自定义指标的阈值( ndt_score_th )。

使用原来的阈值明显不对,观察,得分在 0.2 附近,于是试着在这个范围寻找合适的阈值。

可见,阈值设置为 0.15 和 pcl 版本的阈值为 4.5 时的结果差不多。

3. 将建图结果导出为NDT map,即将NDT体素内的均值和协方差都存储成文件。

这里参考 split_map.cc 代码的内容:加载关键帧对应的点云,对其进行滤波,然后计算点
云中的每个点对应的地图区块 id ,最后将区块索引和对应点云分别存储起来。
我们要导出 NDT map ,需要构建 NDT 体素并计算均值和协方差,这些在第七章的 ndt_3d.h
的 SetTarge 函数中已经实现。



保存的结果:

4.实现基于NDT map的激光定位。根据车辆实时位姿,加载所需的NDT****体素并完成定位。

原先基于点云地图的激光定位使用的是 PCL 版本 NDT , RTK 角度搜索中用到了 10 米, 5 米, 4 米, 2 米的多分辨率 NDT 匹配来确定 RTK 的朝向,所以实现基于 NDT map 的激光定位,也需要加载多分辨率 的体素,所以参照第 3 题重新修改为保存多分辨率的 NDT map 。代码如下:


存储 NDT 体素中的均值和协方差矩阵信息。

①首先,在 fusion 初始化时配置要加载的 NDT map 路径,并参考原来的 loadMapIdex() 函
数,将多分辨率的 NDT 地图数据加载进来。


②接下来就是定位流程 ProcessMeasurements(m) 。首先要确定 RTK 朝向,加载多分辨率
NDT map ,使用多分辨率来进行寻找。



当然,同样也要准备卸载超出范围的 NDT 地图。

以上过程包含在 loadNdtMap 函数中。

RTK 初始化成功后后续定位流程在 LidarLocalization() 中进行。

至此,实现了基于 NDT map 进行激光定位的功能。
③实现效果:


两者定位效果差不多。

5.给出上述结果相比于PCL NDT****的性能、存储空间等关键指标。

①统计比较两者在加载地图和配准过程两方面的耗时情况。


可以发现,基于 NDT map 的方法,加载地图数据耗时要比加载点云要慢很多;而配准方面
会快很多。
比较一下跑完一个 bag ,总的耗时情况。


经过对比发现,基于 NDT map 的激光雷达定位效率是基于 PCL NDT 的接近六倍。
②统计比较两者需要加载的地图数据占存储大小。
原先加载的是以 100x100 大小地图区块索引命名的 pcd 格式点云数据,而现在需要加载 4
种不同分辨率的 NDT 体素地图数据中,仅存储了均值和信息矩阵。因此存储空间应该要小得多,果然,对比如下:

相关推荐
Power20246664 分钟前
NLP论文速读(Apple出品)|迈向更好的多模态指令遵循能力评估
人工智能·深度学习·自然语言处理·自动化·nlp
垂杨有暮鸦⊙_⊙5 分钟前
蒙特卡洛方法(Monte Carlo,MC)
人工智能·笔记·机器学习·概率论
初级炼丹师(爱说实话版)39 分钟前
nn.MultiheadAttention返回的注意力权重和标准的计算注意力权重的区别
人工智能·深度学习·机器学习
roman_日积跬步-终至千里40 分钟前
【人工智能基础】计算机视觉
人工智能·计算机视觉
Francek Chen2 小时前
【大数据分析&深度学习】在Hadoop上实现分布式深度学习
人工智能·hadoop·分布式·深度学习·数据分析
明朝百晓生2 小时前
【PyTorch][chapter 228][李宏毅深度学习][Diffusion Model-1]
人工智能
骑猪玩狗2 小时前
第N8周:使用Word2vec实现文本分类
人工智能·分类·word2vec
狗窝超厉害2 小时前
研0找实习【学nlp】15---我的后续,总结(暂时性完结)
人工智能·pytorch·python·自然语言处理·bert
企业通用软件开发2 小时前
大语言模型提示词工程学习--写小说系列(文心一言&豆包&通义千问):1~创作前的准备工作
人工智能·学习·语言模型
龙的爹23332 小时前
论文翻译 | BERTese: Learning to Speak to BERT
人工智能·深度学习·自然语言处理·prompt·bert