点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
自从上次在知乎上分（吹）享（水）了我们的工作后，
https://www.zhihu.com/question/332926945/answer/836032023
我们的工作收到了很多的关注，并陆陆续续收到了来着各位朋友的咨询邮件，截止到目前，我们的开源库
https://github.com/hku-mars/loam_livox
已经收到了517个star(感谢各位老铁)。于是乎，我们趁(划)胜(水)追(摸)击(鱼)，苟(不敢出去，年前怕被废青干，年后怕被疫情干)在实验室里面，积(通)极(宵)开展了新的研(组)究(团)工(开)作(黑)。
而今天，我要介绍的是我们最近被IROS 2020接收的工作” A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs”即“一个多激光雷达同时定位建图以及外参的自标定的分布式框架”。我们的工作不仅能实现多（5）个雷达同时定位建图以及在线外参标定，而且分布式的去中心框架能使得我们整个系统的效率更高，鲁棒性更强。我们的定位结果和RTK的GPS相比，误差仅为0.2%。我们的论文现在已经挂在arxiv上面的了，
https://arxiv.org/abs/2007.01483
硬件平台已经开源在了，
https://github.com/hku-mars/lidar_car_platfrom
软件算法在后面会开源在
https://github.com/hku-mars/decentralized_loam
一．背景介绍
在介绍我们的工作之前，先需要回答以下2个问题，即：
-
为啥要用多激光雷达
-
为什么要做去中心化的分布式系统
对于第一个问题，我引用@瓦力（经作者同意）同学的PPT来解释，目前大部分的自动驾驶方案现在的自动驾驶方案都配备了多个激光雷达，如下图所示：
B. 部分区域点云覆盖率稀疏：使用一个雷达作为传感器，总会出现部分区域雷达测量稀疏的情况，例如置放在车顶的旋转机械式雷达，对于车周围的近距离范围，只会出现寥寥几条扫描线的情况，如下图的B区域
雷达的配置和FoV覆盖图如下所示：
在Section IV.C 我们介绍了雷达的外参模型，我们使用估计的i-th雷达的外参以及Section IV.B估计的小车姿态既可以预测雷达在k+1帧的位置
-
去中心的EKF算法
我们文章的Section V主要介绍了我们的分布式EKF预测以及更新，值得注意的是，为了防止EKF发散，我们在Section V.B引进了对雷达外参的约束是，我们的算法如下图所示：
估计的中心位置，角度角度，角速度和线速度
最大误差值的表格如下：
最后就是我们的建图效果啦（不同雷达的点云已经用不同的颜色上色了）：
▲长按加微信群或投稿
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
来源：3Ｄ视觉工坊
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！