以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學習資料 → 機器人SLAM學習資料大禮包

#論文# #開源代碼# LiDARTag: A Real-Time Fiducial Tag System for Point Clouds 論文地址：https://arxiv.org/abs/1908.10349開源代碼：https://github.com/UMich-BipedLab/LiDARTag ?基于圖像的基準標記在諸如混亂或無紋理環(huán)境中的目標跟蹤，相機(和多傳感器)標定任務以及基于視覺的同步定位和建圖(SLAM)等問題中非常有用。最先進的基準標記檢測算法依賴于環(huán)境照明的一致性。介紹了一種適用于LiDAR點云的新型基準標簽設(shè)計和檢測算法LiDARTag。所提出的方法是實時運行的，可以處理100 Hz的數(shù)據(jù)，這比目前可用的激光雷達傳感器頻率快。由于激光雷達傳感器的性質(zhì)，快速變化的環(huán)境照明不會影響激光雷達標簽的檢測；因此，所提出的基準標記可以在完全黑暗的環(huán)境中運行。此外，LiDARTag很好地補充并兼容現(xiàn)有的視覺基準標記，如AprilTags，允許高效的多傳感器融合和校準任務。我們進一步提出了最小化點云和標記器模板之間的擬合誤差的概念來估計標記器的姿勢。該方法平移誤差可達毫米級，旋轉(zhuǎn)誤差可達幾度。由于LiDAR回波的稀疏性，將點云提升為再生核Hilbert空間中的連續(xù)函數(shù)，利用內(nèi)積確定標記物的ID。實驗結(jié)果經(jīng)運動捕獲系統(tǒng)驗證，該方法能夠可靠地提供標記物的姿態(tài)和唯一的ID代碼。 本文貢獻如下： 1、提出了一種新穎靈活的點云基準標記器LiDARTag，它與現(xiàn)有的基于圖像的基準標記器系統(tǒng)(如AprilTag)兼容。 2、提出了一種穩(wěn)健實時的LiDARTag姿態(tài)估計方法。最大限度地減少了點云和已知幾何體的標記模板之間受L1啟發(fā)的擬合誤差。 3、為了解決LiDAR回波的稀疏性，我們將點云提升為RKHS中的連續(xù)函數(shù)，并利用內(nèi)積結(jié)構(gòu)在預先計算的函數(shù)字典中確定標記的ID。 4、我們給出了LiDARTag的性能評估，其中地面真實數(shù)據(jù)由運動捕獲系統(tǒng)提供。我們還廣泛分析了系統(tǒng)中的每個步驟，包括寬敞的室外環(huán)境和雜亂的室內(nèi)環(huán)境。此外，我們報告了在室內(nèi)Google Cartograph數(shù)據(jù)集和室外本田H3D數(shù)據(jù)集上驗證的假陽性率。 5、我們在C++和機器人操作系統(tǒng)(ROS)中為建議的LiDARTag和使用它們的所有相關(guān)軟件的物理設(shè)計提供了開源實現(xiàn)；參見Page not found · GitHub · GitHub。

以上內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容