编译：孙钦

审核：lionheart

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

在本文中，我们提出了一个应用于激光雷达点云的名为Lidar Iris的全局描述子，用它来进行快速且精确的闭环检测。在对由LiDAR-Iris表示的图像进行了几次LoG-Gabor滤波和阈值运算之后，可以获得每个点云的二进制特征图像。给定两帧点云，可以通过从这两帧点云提取的二进制特征图像对应的汉明距离（ hamming-distance）计算它们之间的相似度。我们的 LiDAR-Iris 方法可以通过对 LiDAR-Iris的表达（假设是在一个3D的（x,y,yaw）位姿空间）进行傅里叶变换，从而实现位姿不变的闭环检测，尽管我们的方法通常可以通过使用额外的IMU传感器重新对齐点云来应用于6D位姿空间。在五个道路场景序列的实验表明了它在闭环检测方面的优秀性能。

闭环检测概述

四种主要的闭环检测策略：

1，point-to-point matching，即点到点的匹配（如，ICP及其变种）；

2，从3D点云中检测关键点，并从每个关键点位置中提取描述子，然后利用词袋模型（bag-of-words (BoW) model）进行场景匹配（如，3D Sift, 3D Harris, 3D SURF, ISSs, SHOT, B-SHOT等）。

3，从点云中提取以直方图的形式表示的全局描述子（如ESF, FPFH, VFH, M2DP）。

4，基于卷积神经网络(CNNs)模型的方法。

算法结构

A.LiDAR-Iris 图像表达的生成

对 LiDAR-Iris 表达的生成方法如上图Fig.3所示，作者保留一个以雷达为中心的k x k(m)的范围作为有效感知区域(本文取k=80m)。将感知区域分为80(m)x360(°)个bins，角分辨率和径向分辨率分别为1°和1m。

B.对旋转不变的 LiDAR-Iris 进行傅里叶变换

作者考虑到基于傅里叶的方案能够估计大的旋转，缩放和平移。因此采用傅里叶变换来估计两个 LiDAR-Iris 之间的平移（旋转和尺度因子则无关紧要）：

Fig.5 给出了基于傅里叶变换的对齐demo：

C.利用 LoG-Gabor 滤波提取二进制特征

LoG-Gabor 滤波器可以用来将 LiDAR-Iris 区域的数据分解成不同分辨率的分量，与传统的傅立叶变换相比，它的优点在于频率数据是局部化的，使得在同一位置和分辨率上出现的特征可以匹配。作者只使用了1D LoG-Gabor 的滤波器来确保算法的实时性：

Fig.6 给出了不同数量的 LoGGabor 滤波器用于特征提取对闭环检测效果的影响，发现4个 LoG-Gabor 滤波器能够在低计算量的前提下，实现最好的闭环检测精度：

Fig.4 展示了基于 LiDAR-Iris 图像的二进制特征图：

主要实验与结果

Abstract

In this paper, a global deor for a LiDAR point cloud, called LiDAR Iris, is proposed for fast and accurate loop-closure detection. A binary signature image can be obtained for each point cloud after a couple of LoG-Gabor filtering and thresholding operations on the LiDAR-Iris image representation. Given two point clouds, the similarity of them can be calculated as the hamming-distance of two corresponding binary signature images extracted from the two point clouds, respectively. Our LiDAR-Iris method can achieve a pose-invariant loop-closure detection with the Fourier transform of the LiDAR-Iris representation if assuming a 3D (x,y,yaw) pose space, although our method can generally be applied to a 6D pose space by re-aligning point cloud with an additional IMU sensor. Experimental results on five road-scene sequences demonstrate its excellent performance in loop-closure detection.