Abstracto
Debido a que el posicionamiento 3D en el punto de nube complejidad de extraer información de datos en 3D razón es muy difícil. Proponemos un método para incrementar solución eficaz a este problema.
- En primer lugar se acumulará en la observación dinámica de voxel, entonces no son normales selectivo punto de actualización.
- Un algoritmo de segmentación incrementales
Decimos esto para mostrar esquema de incremento puede hacer de posicionamiento global en la escena urbana 10 Hz, en comparación con 7,1 veces más rápida solución del lote.
1. Introducción
La percepción es muy importante. El robot móvil está a menudo equipado con sensor de tiempo de filght para generar entorno precisa reconstrucción 3D. Estamos especializados en la localización de la nube de puntos 3D. Se puede realizar en el asociativo mundial 3D reconstruido de datos tales que podemos dar expresión manera unificada, no hay supuestos bajo Drife, o un punto de partida conocido opuesta.
Aportes
- nube de puntos en 3D basado en segmento coincida con el método de posicionamiento.
- Para un grupo de estimación normal, segmentación y reconocimiento de algoritmos incrementales.
- Comparar enfoque incremental y la solución de los lotes en la conducción urbana
2. Trabajo relacionado
a) punto Incremental segmentación nube
[3] propone un método de segmentación creciente región de nubes de puntos densas. Para cada nube de puntos de entrada, dividido solamente hacer una vez, y la etapa de fusión posterior. Aquí sólo tienen en cuenta plano de división, y nuestra solución está más generalizado. [5] propuesto profundidad segmentación figura. Todo lo anterior no se toman con base en el resultado de la segmentación recuperar modelos del programa.
b) la verificación geométrica eficiente
En las imágenes estéreo cuando se propone reducir el número de estrategia de juego. [7] propuso RANSAC sólo puede hacer comprobaciones de coherencia espacial. Los métodos anteriormente descritos han asumido imágenes de paralaje, la totalidad de su alta precisión se ve influida variando fuertemente disparidad y ángulo de visión.
3. Método
A. Voxel dinámico de red
3D nube de puntos de entrada continua se filtra, y después se acumula en una nube local de método voxel. No usamos cada vez que hay una nueva actualización de la observación por lotes voxel filtrar método en toda la nube local, pero las actualizaciones voxel sólo afectó nueva nube de puntos. Utilizamos DVG, una estructura de datos eficiente para apoyar la inserción dinámica y remoción.
voxel Ocupado se almacenará en un vector, cada voxel Guardar su índice, centroide y el número de puntos que contiene. Para reducir el ruido, se considerará que un voxel cuando hay un cierto número de puntos están activos.
1) Nota de Voxel
Un voxel es un tamaño \ (L \ times W \ times H \) , cada voxel tiene un único en el índice de (re intervalo \ ([0, L \ cdot W \ cdot H -. 1] \) Grid ha una fija. resolución \ (R & lt \) , un rígido T del sistema del mundo a las líneas de la cuadrícula \ (T_ {mg} \) . para calcular la eficiencia, queremos que el tamaño de la cuadrícula es un múltiplo de 2, \ (L = 2 ^ { los bits}} {mentoxipropano \) , \ (^ W = 2 bits}} {{W_ \) , \ (H = 2 ^ {}} bits de H_ {\)
2) Colocar y retirar
Cuando se inserta el nuevo punto cuando, DVG calcula sus índices, y dispuesto de acuerdo con la orden de Identificación del voxel creciente. Teniendo en cuenta dispuestas \ (\ mathcal {O} ( n \ log (n)) \) la complejidad, a fin de utilizar es importante para ordenar la voxelización lote. Cuando \ (m \) puntos \ (Q_I \) se inserta para dar voxel (centroide es \ (P \) de \ (\) n- ésimo puntos hacia abajo en la muestra), tenemos:
\ (P \ leftarrow \ left (n \ cdot p + \ sum_ {i = 1} ^ {m} Q_ {i} \ right) \ cdot \ frac {1} {n + m}, \ quad n \ leftarrow n + metro\)
3) Transformación rígido
Cuando la detección de bucle. . .
B. incremental normal y la estimación de la curvatura
Un punto \ (P_i \) calcular su normal en el punto de nube 3D en tiempo, por lo general con el conjunto de vecindad de puntos \ (\ mathcal {N} ( p_i) \) matriz de covarianza \ (M \) a medir. Después de encontrar un vecino con-radio fijo vecinos más cercanos (NN), \ (de M_ {I}: = \ overline {\ left (\ nu_ {J} - \ bar {\ NU} \ right) \ left (\ nu_ {J } - \ bar {\ nu} \ right) ^ {\ superior}} \)
estimación normal es igual a \ (M_i \) es autovector normalizado. curvatura es \ (\ Sigma = \ lambda_ {0} \ left (\ lambda_ {0} + \ lambda_ {. 1} + \ lambda_ {2} \ right) ^ {-. 1} \) , donde \ (\ lambda_ {0 } <\ lambda_ {1} < \ lambda_ {2} \) es (M_i \) \ de valores propios.
Aquí hicimos dos principales pasos de optimización. Covarianza de matriz \ (M_i \) es un conteo incremental y normal sólo afectará a los nuevos punto de barrido se va a actualizar.
1) Las actualizaciones incrementales leer a través pesada
2) rígido Transform
C. Incremental segmentación región de cultivo
políticas de región creciente estrategia de crecimiento regional
1) Las agrupaciones que se fusionan:
2) políticas crecientes
Durante la fase de preparación, PREPARESEEDS ID será recogida a través probó el CANBESEED punto, entonces ellos están dispuestos por orden de curvatura creciente. Esto asegura que la región de cultivo punto de partida es la plana, para reducir el número de segmentos.
CANGROWTO devuelve verdadero, si la semilla de los puntos normales y vecinos son paralelas. Debido a la rotación de las normales desconocidos, probablemente esto es confirmado por el punto de multiplicación. Max es un punto más curvatura valor umbral, con el fin de pasar el CANBESEED prueba.
políticas distancia euclídea fácil de entender, ya que el crecimiento gradual de la región han encontrado un candidato vecino función de la distancia euclídea. Así, CANGROWTO y CANBESEED siempre devuelve verdadero, PREPARESEEDS simplemente Identificación del cobro revertido aún no ha sido asignar puntos.
3) seguimiento de segmentos
ID de clúster sólo valores temporales para definir el punto se asigna al mismo grupo, ID de segmento se define en lingtime de duración. etapa de segmentación nos permitirá realizar un seguimiento de los segmentos robusta y sostenida sus puntos de vista en el mapa local, lo que traerá muchos beneficios.
En [1], los múltiples puntos de vista y la misma no puede ponerse en contacto con un segmento, obtendrá diferentes ID, lo que resulta en el mapa de destino de la inserción de los duplicados de segmento.
el reconocimiento gradual basada en el Gráfico D.
Extraído de los segmentos de nubes de puntos locales se describirá en un vector de características genérico (descriptor basado autovalor-[13]). Candidato segmentos correspondientes del mapa local y objetivo se encontraron por la búsqueda NN. Si un par \ (C_I, C_J \) del ejemplo europeo centorids segmento es menor que un valor umbral, entonces eso es geometría consistente. En nuestro escenario, utilizamos un problema gráfico para describir el reconocimiento del problema, para definir un conjunto coherente máxima por parejas (MPCS).
También usamos el seguimiento de segmentos del capítulo 3-C.3.
\ (\ Mathcal {S} \ left (c_ {i} \ right) = \ left \ {c_ {j} \ in V | j \ leq i \ wedge \ Delta \ left (c_ {i}, c_ {j} \ right) \ leq \ theta _ {\ Delta} + \ epsilon \ right \} \)
1) Mantenimiento de la caché
Si un partido \ (C_i \) se encontró por primera vez, \ (\ mathcal {S} (C_i) \) se calculará salvó. Si ya no se observó el partido, será borrada.
2) candidatos consistentes identificación conjunto
Con el fin de permitir que dos de acabado a juego, ejemplos de sus segmentos objetivo debe ser inferior a igual al diámetro del mapa local.
3) La consistencia Graph Construcción
4) Identificación MPCS
Cuando MPCS de un tamaño mayor que un valor umbral, un reconocimiento de que creemos que para tener éxito.
4. experimentos
A. Línea de Base
La línea de base para la comparación es SegMatch precursor [1], está marcado con una biblioteca de PCL de los mismos. filtrado de voxel por lotes se hace pcl::VoxelGrid, con las normales de proceso por lotes de estimación pcl::NormalEstimation. uso de lotes de Segmentación pcl::EuclidianClusterExtractiony pcl::RegionGrowing. El reconocimiento es pcl::GeometricConsistencyGrouping.
B. Rendimiento
1) Hardware: Todos los experimentos fueron entonces de 32 GB de RAM, la finalización de la Intel i7-6700K. uso de memoria RAM no más de 1,6 g.
...
5. Conclusiones
Destacamos el incremento enfoque 3D ubicación del punto de nube. Diferente con el anterior, este programa mantendrá un mapa local segmentado, a continuación, la verificación geométrica incrementales. Esta aceleración puede llegar a 10 Hz, se puede apoyar en tiempo real.