3D LiDAR SLAM 大PK！瑞典Lule科技大学评估9种最新方法

以下内容来自​​小六的机器人SLAM学习圈​​知识星球每日更新内容

点击领取学习资料 → 机器人SLAM​​学习资料大礼包​​

#论文# Evaluation of Lidar-based 3D SLAM algorithms in SubT environment

论文地址：​​https://arxiv.org/abs/2302.13613​​

作者单位：瑞典Lule科技大学

   在缺乏自然光照或光照条件差的恶劣地下环境中，机器人自主导航是一项具有挑战性的任务，本文对3D SLAM算法进行了实验比较研究。研究的重点是最先进的激光雷达SLAM算法的开源实现，它们是：1)BLAM, LOAM, ALOAM, ISC-LOAM and hdl graph slam；或2)激光雷达惯性算法，如LeGO-LOAM, Cartographer, LIO-mapping and LIO-SAM。

    对这些方法的评估是基于在地下隧道执行任务期间从波士顿动力公司的SPOT机器人收集的数据集，该机器人配备了3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100。在评估过程中，比较了SLAM算法的位姿重建和3D隧道重建，以找出在位姿精度和地图质量方面表现最可靠的方法。

本文贡献如下：

1、使用SubT数据集对九种基于SoA激光雷达的3D SLAM方法进行评估，以证明其在此类环境中的性能，其动机是在地下隧道环境中部署这些方法的新需求。更具体地说，评估数据集是在波士顿动力点的勘探任务期间沿着具有多个隧道的地下区域收集的。机载传感器套件由Velodyne Puck Lite激光雷达和Vectornav vn-100 IMU组成，Velodyne Puck Lite激光雷达是用于自主导航的SoA传感器，该硬件通常用于多个机器人系统，与SubT研究工作密切相关。

2、 姿态估计的定量和定性比较以及所有方法的3D环境图，这将使机器人社区易于评估和了解其优缺点，包括为该应用选择SLAM算法框架。

以上内容来自​​小六的机器人SLAM学习圈​​ 每日更新内容

文章转载自公众号：计算机视觉life