arxiv | 中科院聯合國科大開源 TRLO：一種結合3D動態物體跟蹤與移除的高效LiDAR里程計
【TRLO: An Efficient LiDAR Odometry with 3D Dynamic Object Tracking and Removal】
文章連結：[2410.13240] TRLO: An Efficient LiDAR Odometry wit...
專案主頁：GitHub - Yaepiii/TRLO
TRLO: An Efficient LiDAR Odometry with 3D Dynamic Object Tracking and Removal
摘要：同步狀態估計和繪圖是在動態城市環境中工作的移動機器人的一項基本能力。大多數現有 SLAM 解決方案嚴重依賴於靜態假設。然而，由於移動車輛和行人的存在，這一假設並不總是成立，導致定位精度下降和地圖扭曲。為了應對這一挑戰，我們提出了 TRLO，一種動態 LiDAR 里程計，可以有效提高狀態估計的準確性並生成更清晰的點雲圖。為了有效地檢測周圍環境中的動態物體，應用了基於深度學習的方法，生成檢測邊界框。然後，我們設計了一個基於無跡卡爾曼濾波器 (UKF) 和最近鄰 (NN) 策略的 3D 多物件跟蹤器，以可靠地識別和刪除動態物件。隨後，採用快速兩階段迭代最近點求解器來使用清理後的靜態點雲來求解狀態估計。請注意，提出了一種新穎的基於雜湊的關鍵幀資料庫管理，用於快速訪問搜尋關鍵幀。此外，所有檢測到的物件邊界框都被用來施加姿勢一致性約束，以進一步細化最終的狀態估計。對 KITTI 和 UrbanLoco 資料集進行的廣泛評估和消融研究表明，與基線相比，我們的方法不僅實現了更準確的狀態估計，而且生成了更清晰的地圖。
索引術語——定位、地圖繪製、動態 SLAM、移動機器人。
一、引言
準確的狀態估計對於自動駕駛車輛在沒有 GPS 輔助的情況下定位自身並在未知環境中探索是必不可少的。視覺 SLAM 方法 [1]、[2] 在變化的光照或均勻紋理下可能表現不佳，與之相比，基於 LiDAR 的方法可以透過精確捕獲環境的幾何細節來提供更可靠的姿態估計 [3]。基於特徵的方法[4]-[6]試圖透過關注最具代表性的點（例如邊緣或平面）來解決兩個相鄰掃描之間的變換。然而，他們可能會無意中丟棄結構良好的點，這有助於提高下游註冊的質量。特別是，當場景缺乏明顯特徵時，基於特徵的方法可能難以提取足夠的特徵點，這可能導致姿態漂移和對映失真。
如今，一種直接利用整個點雲來估計 LiDAR 掃描之間的轉換的替代方法（通常透過迭代最近點 (ICP) [7]）很流行。然而，在處理密集掃描時，ICP 技術的計算消耗過高，可能會影響實時效能。為了解決這個問題，提出了各種ICP變體[8]、[9]來提高計算效率。一些衍生的 LiDAR 里程計 (LO) 作品 [10]-[12] 基於改進的 ICP 演算法取得了有希望的效能。
大多數現有的 LO 解決方案 [4]、[5]、[10]-[12] 嚴重依賴於靜態環境的基本假設。雖然其中一些[11]、[12]透過一些演算法設計減輕了動態物體的影響，但它們並不直接關注運動物體，導致定位精度下降或潛在的失敗。此外，移動物體通常會影響測繪質量並阻礙後續導航任務。因此，有效地檢測和跟蹤動態物體已成為機器人在現實世界中穩健定位和建圖的關鍵。
儘管存在一些令人印象深刻的工作[13]-[17]，引入創新方法來應對動態環境中的 SLAM 挑戰，但它們仍然存在一些侷限性。 RFLIO [13]、DOR-LINS [14] 和 LIMOT [18] 依賴 IMU 提供姿態先驗，這可能容易受到噪聲的影響。許多工作[15]、[19]將嚴格的語義分割納入LO系統，其效能受到稀疏通道LiDAR的限制。 [16]和[17]都專注於提高物體跟蹤的精度，而不是減少動態物體對LiDAR里程計精度的影響。在這項工作中，提出了一種新穎且高效的動態 LO，即 TRLO。為了有效地檢測和跟蹤動態物件，基於支柱的物件檢測網路被實現為 TensorRT 模組，以及基於無跡卡爾曼濾波器（UKF）[20]和最近鄰（NN）策略的多物件跟蹤（MOT）方法被提議。隨後，靜態點雲被輸入Fast G-ICP [21]模組進行兩階段掃描匹配，以實現精確的定位和建圖。此外，我們應用滑動視窗中累積的邊界框來施加一致性約束，進一步細化機器人的姿態。圖 1 顯示了用我們提出的方法生成的點雲圖的示例。
圖 1. 我們在 Urbanloco 資料集上進行動態物件移除的全域性乾淨地圖。
A和B是擁擠交通路口區域性地圖細節的兩個例子，展示了我們的方法在地圖繪製方面的優越性。
我們的工作貢獻總結如下：
• 我們提出了 TRLO，一種能夠準確檢測和跟蹤動態物體的 LiDAR 里程計，以實現高精度狀態估計和清晰對映，其關鍵是提出的基於 UKF 的可靠 3D 多目標跟蹤器和 NN。
• 我們提出基於雜湊的關鍵幀資料庫管理，透過直接訪問關鍵幀索引來加速掃描到地圖的註冊。
• 我們重用在短期滑動視窗中累積的邊界框的姿勢，以對狀態估計施加一致性約束，假設所有物件都站在區域性場景中的同一地面上。
• 對 KITTI 和 UrbanLoco 資料集的挑戰性序列進行的大量實驗表明，我們的方法在定位和繪圖方面優於基線。
我們的方法的原始碼和演示影片位於：https://yaepiii.github.io/TRLO/。
二.相關工作
鐳射雷達里程計和SLAM是機器人領域的經典主題，有大量的研究。在本節中，我們簡要回顧傳統的鐳射雷達里程計估計方法，並重點討論動態場景下的 SLAM 解決方案。
A. 傳統 LiDAR 里程計
作為最典型的基於特徵的方法，LOAM [4] 引入了一種創新方法，將估計問題分為兩種不同的演算法，一種演算法在高頻下執行，精度較低，而另一種演算法在低頻下執行，精度較高。準確性。將兩個結果融合在一起以產生高頻率和高精度的最終估計。 LeGO-LOAM [5] 透過使用地面點分割和兩級 Levenberg-Marquardt 演算法實現輕量級 LiDAR 里程計，並使用動態小物體的剔除機制提高精度。 MULLS[22]專注於採用主成分分析（PCA）來提取更豐富和穩定的特徵，提出了一種獨立於掃描線的基於LiDAR的SLAM框架，從而增強了泛化能力。李等人。 [23]提出了一種基於點雲等角分佈特性的新型基於角度的特徵提取方法，並構造固定滯後平滑來聯合最佳化多個關鍵幀的姿態。
隨著處理單元[24]的快速迭代進步，最近的一些工作正在探索直接利用ICP或其變體進行實時狀態估計和對映。直接LiDAR里程計（DLO）[10]引入了NanoGICP，一種輕量級迭代最近點求解器，有助於精確配準密集的原始點雲以確定機器人的姿態。它透過自適應方法實現合理的關鍵幀管理和對映。 CT-ICP[11]引入了掃描匹配中的連續性和掃描之間的不連續性的組合，以提高點雲配準的準確性和魯棒性。 KISS-ICP[12]是最新的直接註冊方法，其重點是簡化ICP的實施。它透過採用自適應閾值資料關聯來實現準確性和速度之間的平衡。
B. 動態場景中基於 LiDAR 的 SLAM
傳統方法在靜態環境的主要假設下執行。然而，在動態城市環境等動態場景中，可能會出現里程計精度下降和地圖失真的情況。一些 SLAM 方案致力於識別和過濾環境中的動態物件，以保證位置和地圖的準確性。
早期的努力[25]、[26]使用視覺技術來識別和刪除動態物件。為了實現室外大規模基於鐳射雷達的動態SLAM，某些將3D鐳射雷達感測器與其他感測器結合起來。 RF-LIO[13]基於LIO-SAM[6]框架，利用IMU提供的初始值和多解析度深度圖來檢測和去除子圖中的動態點，並實現基於掃描到靜態的精確配準子地圖。 DOR-LINS [14]引入地面偽佔用來識別和移除動態物體。然而，引入其他感測器將導致昂貴的成本和額外的複雜性。相比之下，我們的方法使用鐳射雷達作為唯一的感測器，在降低成本的同時實現可比甚至更好的結果。
受深度學習和用於場景理解的卷積神經網路（CNN）進步的推動[27]、[28]，一些方法從 LiDAR 資料中提取語義資訊以進行動態去除。 SuMa++[15]使用RangeNet++[29]進行球面投影，透過逐點機率方法提取語義資訊進行動態去除。普弗羅因德舒等人。 [19]使用深度學習技術進行實時 3D 動態物件檢測。他們從靜態點雲中提取特徵來估計其自身的運動。儘管有效，但這些方法對LiDAR 里程計的推廣，因為語義提取網路是專門為 64 通道或更密集的 LiDAR 定製的。因此，當採用 32 通道 LiDAR 時，系統將無法執行。我們的方法仍然在使用 32 通道 LiDAR 的資料集上產生令人驚訝的結果。
參考文獻[16]和[17]與我們的工作最相似。它們都將物體的位姿整合到因子圖估計框架中進行最佳化，從而實現對動態物體的有效跟蹤。然而，[16]在里程計估計之前刪除了所有檢測到的物體，忽略了有價值的靜態資訊。由於非同步狀態估計，[17]不能實時執行。儘管S2MAT[30]專注於動態物體跟蹤和去除，但它沒有解決如何減輕動態物體對LiDAR里程計的影響以提高定位精度。此外，一些方法[31]、[32]側重於動態場景中的地圖構建，因此通常不強調實時性。
三．方法
在本文中，我們的系統架構如圖2所示。我們的工作試圖解決以下問題：給定k時刻的相鄰原始點雲掃描P′k和P′k−1，刪除動態物件以獲得靜態點雲 Pk 和 Pk−1 作為 LiDAR 里程計的輸入，然後估計機器人的全域性位姿 χW k ∈ SE(3) 並在世界 W 座標系中構建全域性地圖 Mk，其中 χk 由旋轉部分 Rk ∈ SO 組成(3) 平移部分 tk ∈ R3。
圖 2.我們的系統架構。基於柱的 3D 物件檢測器首先用於對原始點雲進行預處理，以檢測動態和半靜態物件，從而生成 3D 物件邊界框。隨後，應用3D多目標跟蹤器來識別和移除動態目標。輸入相鄰的靜態掃描 Pk 以計算掃描到掃描（S2S）變換。初始值被傳播到世界座標系並用於掃描到地圖（S2M）的輔助快速GICP。 Pk 與由選擇性關鍵幀組成的子圖 Sk 進行掃描匹配。最後，利用檢測到的邊界框施加的姿勢一致性約束進一步最佳化 S2M 變換，以獲得精煉的全域性機器人姿勢，並根據多個指標進行檢查以確定是否應將其儲存在關鍵幀雜湊資料集中
A. 3D物體檢測器
當我們的系統接收到360°LiDAR採集的原始點雲P′k時（圖3（a）），為了儘量減少噪聲和原始資料的損失，保證物體檢測的準確性，機器人周圍僅 0.5m 盒式濾波器和 0.25m 體素濾波器用於減少誤檢測並消除預處理階段的噪聲。然後將處理後的點雲輸入 3D 物體檢測器。
在這個模組中，我們使用 PointPillars [33] 作為特徵圖提取的主幹，然後使用 Center-based [34] 為動態和半靜態物件生成 3D 邊界框（圖 3（b）），其中半靜態物件-靜態物件被定義為當前可能移動的物件。值得注意的是，儘管我們選擇了 Center-base [34] 來保證精度和速度之間的權衡，但我們的管道並不限於特定的物件檢測方法。令 BL k,m 為 LiDAR 座標系 L 中的邊界框，在 k 處掃描所有邊界框 BL k = {BL k,m|m = 1, ..., M }。為了減輕錯誤檢測對 3D 多目標跟蹤的影響，我們選擇性地檢測汽車和騎腳踏車的人，同時將閾值提高到 0.75[35]。此外，我們透過將 3D 物體檢測器重寫為 TensorRT 版本並將其整合到系統前端來最佳化系統的整體效率，從而使處理速度提高一倍以上。
圖 3.所提出的動態檢測和過濾的效果。 (a) 原始點雲。 (b) 我們的 3D 物件檢測器檢測到的動態和半靜態物件的 3D 邊界框（藍色框）。 (c) 由我們的 3D 多物件跟蹤器識別的動態物件的 3D 邊界框（綠色框）。 (d) 去除動態物體後的靜態點雲，將作為鐳射雷達里程計的輸入。
B. 3D 多目標跟蹤器
傳統的 SLAM 系統依靠幾何資訊來定位觀察結果並將其與地圖關聯。然而，它們無法考慮移動物體引起的動態場景變化，這可能導致不正確的配準和地圖扭曲。動態 SLAM 演算法通常配備一定的異常值拒絕功能。然而，如果我們簡單地丟棄動態和半靜態物件，我們就有可能失去它們對里程計估計的寶貴貢獻。
我們提出了一種基於 UKF 和 NN 技術的方法來跟蹤 III-A 中檢測到的邊界框 BL k。與EKF不同，UKF透過使用確定性取樣方法而不是線性逼近來解決非線性狀態估計[20]，更適合動態目標跟蹤。物件跟蹤過程的推論如下：
1）估計模型：我們用獨立於其他物件和代理的恆定速度模型來近似每個物件的幀間位移。為了簡單起見，我們省略下標 m。給定第 k 次掃描時的物件 xO k，其狀態定義為：
其中，x、y、z 是機器人座標系 B 中目標的中心座標。注意，我們假設 L 和 B 重合。 θ是物體座標系O和B之間的偏航角，v是需要估計的速度，l、w、h分別是邊界框的長、寬、高。然後我們透過 UKF [20] 估計每個物件的狀態：
其中，X O k+1|k 和 Y O k+1|k 是比例修正對稱取樣和非線性傳遞後得到的值，Wm i 和 W c i 是相應的權重，Kk+1 是卡爾曼增益，yk 是觀測值k scan，ˆ xO k+1|k+1 和 ˆ PO k+1|k+1 分別是估計狀態和協方差，PO xx,k+1|k、PO xy,k+1|k 和P O yy,k+1|k 是 X O k+1|k, Y O k+1|k 的協方差矩陣。更多細節請參考[20]。根據物體的估計速度，如果跟蹤物體的估計速度超過1m/s，我們將跟蹤物體定義為動態物體，否則將跟蹤物體視為半靜態物體。我們的方法根據估計的速度有效地區分動態物體（圖3（c））或半靜態物體。
2）資料關聯：使用（2）和（3）估計每個目標的新狀態後，我們執行資料關聯步驟。我們沒有采用典型的基於 IOU 的標準，而是簡單地使用最近鄰技術將目標分配給當前幀中的檢測，因為我們發現這種簡單的方法在應用中也實現了高精度。當檢測與目標關聯時，檢測到的邊界框用於更新目標狀態。此外，為了減輕誤檢測或遮擋的影響，如果沒有目標與檢測關聯，我們只執行預測步驟而不進行更新。
3）跟蹤目標的建立和刪除：當物體進入鐳射雷達視野時，跟蹤器使用邊界框的幾何形狀進行初始化，並將速度設定為零。由於速度是不可觀測的，因此速度分量的協方差被初始化為大值，反映了這種不確定性。當物體離開 LiDAR 視野時，它不會立即刪除，而是會保留 Agemax 生命週期，在此期間僅執行預測步驟。這種方法有效避免了刪除場景中仍然存在但由於誤檢測或遮擋而無法匹配的真陽性軌跡的問題。如圖3（d）所示，動態去除後我們獲得了更乾淨的靜態點雲，同時保留了可以為LiDAR測距提供有價值資訊的半靜態物件。
C. LiDAR 里程計
LiDAR 里程計可以看作是透過將處理後的相鄰靜態點雲與記憶體中的靜態點雲進行比較來恢復 SE(3) 變換的過程。該過程通常分兩個階段執行，首先提供最佳的瞬時猜測，然後進行細化以使其更加全域性一致。 1）掃描到掃描：在第一階段，掃描到掃描的目的是計算源點雲 P s k 和目標點雲 P t k 之間的相對變換 ^ χL k （其中 P t k = Ps k−1 ) 在 L 中捕獲，其中
其中，N 是源 P s k 和目標 P t k 之間的對應點的數量，di = pt i − χL k ps i ， ps i ∈ Ps k，pt i ∈ Pt k，以及 Cs k,i 和 Ct k,i是估計的協方差分別對應於源雲和目標雲的每個點 i 的矩陣。如果有外部感測器（例如 IMU）可用，我們的系統可以透過 IMU 預積分為 Fast GICP 提供初步猜測。然而，值得注意的是，我們的系統不依賴於 IMU。在 IMU 不可用的情況下，我們仍然可以透過將初始猜測設定為單位矩陣 I 來實現魯棒的狀態估計。
最後，我們將結果 ˆ χL k 累加到之前的全域性掃描到地圖變換 ˆ χW k−1 ，即 ˆ χW k = ˆ χW k−1 ˆ χL k。
2）Scan-to-Map：在此階段，我們使用 ^ χW k 作為 scan-to-map 的初始猜測，並遵循與 scan-to-scan 類似的過程。然而，這裡的目標是透過將當前靜態點雲 P s k 與區域性子圖 Sk 進行匹配來獲得全域性一致的機器人全域性狀態 ˆ χW k ，使得
其中，M 是源 P s k 和子圖 Sk 之間對應點的數量，CS k,j 是子圖的每個點 j 對應的掃描縫合協方差矩陣，如稍後在 III-D 中定義的。
3）邊界框一致性約束：我們使用III-A中生成的3D邊界框對掃描到地圖結果的[tz，roll，pitch]施加姿勢一致性約束。具體來說，假設所有檢測到的物體都站在同一平坦的地面上。因此，我們垂直投影邊界框的中心點，產生物件的地面點。然後我們利用所有這些地面點進行地面擬合。如果內部點的數量超過指定的閾值，我們將利用它們來計算地面法線，該法線作為[roll，pitch]的約束。值得注意的是，在某些邊界框很少的掃描中，此過程可能會失敗。為了避免這個問題，我們實現了一個滑動視窗來累積幾次連續掃描的邊界框。該滑動視窗內的所有邊界框均用於地面擬合。
此外，如果相鄰掃描之間邊界框的 z 軸平均變化小於 0.1m，我們就推斷機器人正在穿越相對平坦的地形。在這種情況下，我們透過考慮區域性視窗中的 z 軸位移接近於零來假設地面在兩次連續掃描之間不會發生變化，從而對 tz 施加約束。
D. 基於雜湊的關鍵幀管理
受視覺 SLAM 方法 [2] 的啟發，我們使用關鍵幀來管理地圖。然而，與常見的關鍵幀管理不同的是，我們使用雜湊表來有效地訪問關鍵幀。參考DLO[10]自適應閾值的思想，根據當前環境的寬敞程度自適應調整新增關鍵幀的閾值。更多詳情請參閱[10]。當機器人的移動距離或旋轉角度大於閾值時，我們將機器人的當前狀態χk與靜態點雲Pk以鍵值對的形式關聯起來，然後將其儲存到基於雜湊的關鍵幀資料庫中。
當需要構建子圖時，我們實現了基於最近鄰和凸包、凹包的關鍵幀選擇策略。令 Kk 為所有關鍵幀點雲的集合，子圖 Sk 定義為 K 個最近鄰關鍵幀掃描 Qk、L 個最近鄰凸包掃描 Hk 和 J 個最近鄰凹包 Gk 的系列，使得 Sk = Qk ⊕Hk ⊕ Gk，其中⊕表示交集。這種組合透過最大化掃描到地圖的重疊來減少整體軌跡漂移，併為系統提供多個尺度的環境特徵來對齊。
四．實驗
為了驗證我們方法的有效性，我們在 KITTI [36] 和 UrbanLoco [37] 資料集上嚴格進行了廣泛的實驗，包括里程計基準和對映結果，以及每個元件的執行時間分析和消融研究。所有實驗均在配備 20 核 Intel i9 2.50GHz CPU 和 RTX 3060 GPU 的膝上型電腦上執行。
A. 里程計基準
1）實驗設定：我們進行基準評估，將我們的方法與幾種傳統的 LiDAR 里程計方法（A-LOAM [4]、LeGO-LOAM [5]、DLO [10]、CT-ICP [11]）進行比較和 KISS-ICP [12]）以及幾種動態 LiDAR 慣性里程計方法（LIO-SEGMOT [17] 和 LIMOT [18]）。為了公平比較，LeGO-LOAM [5]、LIO-SEGMOT [17] 和 LIMOT [18] 中禁用了閉環檢測模組。由於SuMa++[15]依靠語義資訊提取來過濾動態物件，因此無法在32通道LiDAR收集的資料集上執行。我們重新實現了動態 LO、RF-A-LOAM，整合了基於範圍的動態去除。所有實驗均在 KITTI [36] 和 UrbanLoco [37] 資料集上進行，使用相對位姿誤差（RPE）和絕對位姿誤差（APE）的均方根誤差（RMSE）作為度量。
2）實驗分析：結果見表I. 與傳統的 LO 系統相比，我們的方法通常透過提出的動態去除和邊界框一致性約束策略取得了令人鼓舞的效能，特別是對於高度動態的序列。此外，除了Urbanloco03序列的APE低於LIMOT[18]之外，所提出的方法優於LIO-SEGMOT[17]和LIMOT[18]。值得注意的是，我們的方法僅使用 LiDAR 掃描作為輸入即可獲得有競爭力的結果，這證明了動態去除和強大的配準機制的有效性。
B. 繪圖結果
1) 定性：如圖 4 所示，我們將所提出的方法構建的地圖與動態城市環境中的其他基線進行比較。在 DLO [10] 生成的地圖中，我們清楚地看到地圖中由移動的汽車造成的嚴重鬼尾。相比之下，我們的方法可以熟練地識別和過濾移動物件，同時保留有價值的半靜態物件。與LIO-SEGMOT [17]、LIMOT [18]和RF-A-LOAM相比，我們的方法表現出更好的動態去除效能。最終，我們獲得了高精度鐳射雷達里程計並構建了更清晰的地圖。
圖 4. 繪圖結果。
（a）傳統方法生成的全域性地圖。
(b)傳統方法生成的全域性地圖的區域性細節，其中紅點代表由移動物體引起的鬼尾。
(c) 我們的方法生成的全域性地圖。
(d) 我們的方法生成的全域性地圖的區域性細節。很明顯，我們的方法有效地檢測和過濾移動物體，從而產生更一致的結果。
2）定量：地圖質量評價如表所示。 PR和RR見表II。表II代表靜態點的保留率和動態點的去除率。從統計資料來看，我們的方法的 PR 分數高於其他基線，而 RR 分數則低於 LIMOT [18]。平衡 PR 和 RR，我們方法的 F1-Score 具有競爭力。
這項工作的動機是實現一個緊湊的動態 LO 系統，致力於透過整合目標檢測、跟蹤和邊界框姿態一致性約束來提高里程計和建圖的整體精度。我們承認，我們並不關注如何進一步提高物體檢測和跟蹤的效能。從大量的比較實驗來看，所提出的動態本振系統在定位精度、測繪質量和效率方面與基線相比具有競爭力。
C. 消融研究
為了研究我們的系統元件的影響，我們對 KITTI07 和 UrbanLoco05 序列進行消融研究。我們比較以下版本的里程計的準確性：我們的方法沒有動態去除和沒有邊界框一致性約束（a），我們的方法沒有動態去除（b），我們的方法沒有邊界框一致性約束（c），我們用 EKF 代替 UKF 的方法 (d)，以及我們的完整方法 (e)。另外，根據[38]中提到的方法，我們使用RANSAC進行全域性分割來擬合地面並施加地面約束。我們還比較了不同下采樣大小（0.4m，0.5m）下我們的姿勢一致性約束與傳統地面分割方法的效果。
1）跟蹤器：如表III所示，基於 UKF 的目標跟蹤器的 LO 系統優於基於 EKF 的目標跟蹤器，受益於更強大的動態跟蹤。理論上，EKF透過使用線性逼近來解決非線性狀態估計，這可能會引入跟蹤偏差。
2）動態去除：如表III所示，結果表明，透過新增動態去除步驟，可以有效過濾環境中的異常值，從而獲得更準確的里程估計。在處理高度動態的 UrbanLoco 資料集時，這種改進尤其明顯。
3）邊界框一致性約束：結果如圖5和表IV所示。透過施加邊界框一致性約束，有效抑制了里程計的 z 軸漂移。結合動態去除和邊界框一致性約束，我們的完整系統可以獲得更準確的結果。 KITTI07資料集和UrbanLoco05資料集的翻譯準確率分別提高了39.3%和30.4%。如圖5和表IV所示，所提出的帶有邊界框約束的方法以更少的時間成本實現了更高的定位精度。效率高的原因是邊界框約束解放了地面分割的步驟，這是次要貢獻之一。
圖 5. 消融研究中所有方法的 z 軸漂移。透過施加邊界框一致性約束，抑制了z軸漂移並提高了里程計精度。
D. 執行時間分析
如表 V 所示，我們的方法的時間消耗比 LIMOT [18] 快兩倍，比 LIO-SEGMOT [17] 快五倍。與基線相比，所提出的基於 UKF 的 3D 多目標跟蹤器需要更少的時間來保持動態去除的相似精度。除了高效率之外，我們的里程計模組還表現出具有競爭力的定位精度。綜上所述，我們的系統可以執行在20Hz以上，滿足實時操作。
五、結論
這項工作提出了 TRLO，一種 LiDAR 里程計，對於長期遍歷的動態環境來說是準確且穩健的。我們的關鍵創新之一是設計了一種基於無跡卡爾曼濾波器和最近鄰法的 3D 多目標跟蹤器，它可以穩定地識別和刪除動態目標，為兩級迭代最近點鐳射雷達里程計提供靜態掃描。此外，還提出了一種有效的基於雜湊的關鍵幀管理來快速構建子圖。最後，我們重用 3D 邊界框來進一步最佳化計算的姿勢，獲得全域性一致的姿勢和乾淨的地圖。我們在各種具有挑戰性的動態環境中進行的基準測試證實了我們方法的可靠性。透過消融研究中，我們系統地探討了每個組成部分的貢獻。未來，我們有興趣將 IMU 整合到我們的系統中或新增閉環以實現更穩健的姿態估計。