Rekonstrukce trojrozměrných mraků bodů v prostředí s tenkými objekty

Abstract

Prostředí bez výrazných struktur představuje zásadní výzvu pro systémy Simultánní lokalizace a mapování (SLAM) využívající LiDARy. Tyto systémy, často spoléhající na Iterative closest point (ICP) algoritmus, jsou náchylné k selháním způsobeném nedostatečnou komplexitou prostředí. Neustále se zvyšující množství bodů generovaných současnými LiDARy také není vhodné pro nasazení v reálných aplikacích. Na mraky bodů proto musí být aplikovány filtry pro redukci počtu bodů. Aplikace těchto filtrů nicméně nevyhnutelně odstraňuje geometrické vztahy mezi body, které by jinak mohly mít kritický efekt pro správnou konvergenci lokalizačního algoritmu. Mnohá geometricky nepodmíněná prostředí nicméně nejsou prázdná, ale obsahují kabely, světla a další vybavení. Efekt těchto malých objektů na lokalizaci je ale limitovaný, jelikož se po filtraci mohou stát nerozlišitelnými. Tato diplomová práce vyhodnocuje filtry redukující počet bodů v kontextu SLAM s daty z LiDARu v nepodmíněném prostředí. V její první části nejprve analyzuji implementaci několika open-source filtrů a filtry následně roztřídím pomocí navržené taxonomie. Poté zkoumám reprezentaci tenkých objektů v mracích bodů, zaznamenaných čtyřmi LiDARy. Filtry jsou vyhodnoceny na třech datasetech s různou složitostí prostředí, od prázdného po kompletně podmíněný tunel. Metody jsou porovnány na rozličných poměrech komprese a za pomoci přesné referenční trajektorie, získané z totální stanice. Ačkoliv metody založené na rozdělení prostoru pomocí oktálového stromu dosahují lepších výsledků než ostatní metody, experimenty zároveň zvýraznily fakt, že žádná současná metoda nedosahuje spolehlivé lokalizace v prostředí podmíněném pouze tenkými objekty.Featureless environments represent a major challenge for deploying LiDAR-based Simultaneous localisation and mapping (SLAM) systems. These systems, often relying on the Iterative closest point (ICP) algorithm, are vulnerable to failures caused by the lack of constraints in 3D point clouds. Furthermore, the increasing number of points produced by today’s LiDARs is no longer suitable for practical applications and must often be reduced. However, the point cloud sampling operation inevitably erases geometric relations that might otherwise be critical for a correct convergence of the ICP algorithm. We argue that many unconstrained environments are often not wholly featureless, containing cables, lights and other equipment. The effect of these small objects on localisation quality is reduced since, after sampling, they become unrecognisable. In this work, we evaluate sampling methods in the context of LiDAR-based SLAM in an underconstrained environment. Several open-source sampling filters are first analysed and the filters are classified with a proposed taxonomy. Then, we investigate the representation of thin structures in point clouds recorded with four LiDAR sensors. We evaluate the sampling methods employing three datasets with varying feature complexity, ranging from an empty to a fully constrained tunnel. The methods are evaluated on diverse point cloud compression rates and with a precise total station ground truth trajectory. We show that octree-based space subdivision methods are superior to other sampling strategies, but the experiments highlight that no state-of-the-art filter achieves a reliable localisation in an environment constrained only by thin structures.