Impact of 3D LiDAR Resolution in Graph-based SLAM Approaches: A Comparative Study

📄 arXiv: 2410.17171v1 📥 PDF

作者: J. Jorge, T. Barros, C. Premebida, M. Aleksandrov, D. Goehring, U. J. Nunes

分类: cs.RO

发布日期: 2024-10-22

备注: This work has been accepted for publication in ROBOT24

💡 一句话要点

对比研究3D激光雷达分辨率对Graph-SLAM方法的影响，分析不同方法在城市环境下的性能。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D激光雷达 Graph-SLAM 同步定位与地图构建 分辨率 城市环境 自动驾驶 KITTI数据集

📋 核心要点

  1. 现有3D激光雷达SLAM方法在城市环境中表现各异，缺乏对其优势、劣势和局限性的系统性比较。
  2. 本文通过对比SC-LeGO-LOAM等方法，评估不同分辨率（64 vs 128通道）激光雷达对Graph-SLAM性能的影响。
  3. 实验结果表明，不同方法在KITTI和AUTONOMOS-LABS数据集上表现不同，揭示了分辨率对鲁棒性的影响。

📝 摘要（中文）

同步定位与地图构建（SLAM）是自主系统中的关键组成部分，它为可靠的定位提供一致的地图。SLAM一直是广泛研究的主题，其中大多数解决方案基于相机或激光雷达。早期的基于激光雷达的方法主要依赖于2D数据，而最近的框架则使用3D数据。本文调研了最新的基于3D激光雷达的Graph-SLAM方法在城市环境中的应用，旨在比较它们的优势、劣势和局限性。此外，我们评估了它们在激光雷达分辨率方面的鲁棒性，即64通道与128通道的对比。关于SLAM方法，我们使用KITTI里程计数据集（仅包含64通道激光雷达）和一个新的数据集（AUTONOMOS-LABS）在真实城市环境中评估了SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和HDL-Graph。后者数据集是使用在柏林郊区行驶的车辆收集的，包含64和128通道激光雷达。实验结果以定量指标报告，并辅以定性地图。

🔬 方法详解

问题定义：论文旨在解决在城市环境中，不同3D激光雷达SLAM方法在不同分辨率激光雷达数据下的性能差异问题。现有方法缺乏对不同分辨率激光雷达数据鲁棒性的系统性评估，难以指导实际应用中激光雷达的选择和SLAM算法的优化。

核心思路：论文的核心思路是通过对比实验，分析不同Graph-SLAM方法在不同分辨率（64通道和128通道）激光雷达数据下的性能表现，从而揭示激光雷达分辨率对SLAM系统鲁棒性和精度的影响。通过定量指标和定性地图，全面评估各种方法的优缺点。

技术框架：论文采用实验对比的方法，主要流程包括：1) 选择代表性的3D激光雷达Graph-SLAM方法，包括SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和HDL-Graph；2) 使用KITTI里程计数据集（64通道）和AUTONOMOS-LABS数据集（64和128通道）进行实验；3) 采用定量指标（如绝对轨迹误差ATE）和定性地图进行性能评估和比较。

关键创新：论文的关键创新在于首次系统性地研究了3D激光雷达分辨率（64通道 vs 128通道）对Graph-SLAM方法性能的影响。通过在真实城市环境数据集上的实验，揭示了不同方法对不同分辨率数据的鲁棒性差异，为实际应用中激光雷达的选择和SLAM算法的优化提供了重要参考。

关键设计：论文的关键设计包括：1) 选择具有代表性的Graph-SLAM方法，覆盖不同的算法思路；2) 使用包含不同分辨率激光雷达数据的真实城市环境数据集，保证实验的实际意义；3) 采用多种定量指标和定性地图，全面评估SLAM系统的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，不同SLAM方法对激光雷达分辨率的鲁棒性存在差异。例如，某些方法在128通道数据上表现更好，而另一些方法在64通道数据上表现更稳定。通过对比实验，论文量化了不同方法在KITTI和AUTONOMOS-LABS数据集上的性能差异，为实际应用提供了有价值的参考。

🎯 应用场景

该研究成果可应用于自动驾驶、机器人导航、城市建模等领域。通过了解不同激光雷达分辨率对SLAM性能的影响，可以为自动驾驶系统选择合适的传感器配置，提高定位精度和鲁棒性。此外，该研究还可以指导SLAM算法的优化，使其更好地适应不同分辨率的激光雷达数据。

📄 摘要（原文）

Simultaneous Localization and Mapping (SLAM) is a key component of autonomous systems operating in environments that require a consistent map for reliable localization. SLAM has been a widely studied topic for decades with most of the solutions being camera or LiDAR based. Early LiDAR-based approaches primarily relied on 2D data, whereas more recent frameworks use 3D data. In this work, we survey recent 3D LiDAR-based Graph-SLAM methods in urban environments, aiming to compare their strengths, weaknesses, and limitations. Additionally, we evaluate their robustness regarding the LiDAR resolution namely 64 $vs$ 128 channels. Regarding SLAM methods, we evaluate SC-LeGO-LOAM, SC-LIO-SAM, Cartographer, and HDL-Graph on real-world urban environments using the KITTI odometry dataset (a LiDAR with 64-channels only) and a new dataset (AUTONOMOS-LABS). The latter dataset, collected using instrumented vehicles driving in Berlin suburban area, comprises both 64 and 128 LiDARs. The experimental results are reported in terms of quantitative `metrics' and complemented by qualitative maps.