因此,我们可以从具有几何读数P和强度读数I的原始扫描中推导出校准强度扫描I˜,特别是在一些传感器中默认使用距离测量部分校准,因此我们只将校准应用于入射角度。此外,低强度值往往会导致较低的信噪比(SNR),这也降低了在低值[27]下进行强度测量的测距精度。低强度的点在实践中被忽略了。B. Salient Point Selection and Feature Extraction激光雷达扫描通常由数万个点组成。使用ICP等原始点云匹配方法的计算效率较低。此外,原始数据包含自动驾驶从路边树木上测量的点,这将降低匹配精度。因此,将点云与[7],[13]特征相匹配更健壮和计算效率。本文使用了基于几何形状和强度信息的特征,而不是只使用几何形状的特征。校准的强度信息包含揭示不同物体分布的环境的反射率轮廓。因此,强度信息也有助于识别在多个帧中的相同特征。对于点Pi∈P及其强度值ηi˜∈i˜,我们搜索附近的Ni∈P,并计算局部距离分布σgi和强度分布σIi通过:
V 结论本文中,我们为基于 LiDAR 的定位系统提出了一种新颖的强度辅助完整 SLAM 框架。现有方法主要利用仅依靠几何特征来估计位置并忽略强度信息。我们从强度测量的物理模型开始,并说明强度信息的使用。我们引入了用于位姿估计的强度图和强度残差,以提高定位精度。此外,我们提出了一个由前端和后端系统组成的完整 SLAM 结构,即 Intensity-SLAM。在不同场景下进行了实验,包括仓库中的室内 AGV 和市区的室外自动驾驶。实验结果表明,通过集成强度信息,定位精度得到显着提高。与最先进的仅依靠几何方法相比,所提出的方法还实现了较低的平移误差和旋转误差。本文仅做学术分享,如有侵权,请联系删文。下载1