Eigen-Factors：一种用于3D点云平面SLAM的双层优化方法
机器人学
2025-02-04 v3
摘要
现代深度传感器可在数秒内生成海量3D点，供后续定位与建图算法处理。理想情况下，这些算法应在“使用更多点意味着可用信息更多”的假设下高效处理大规模点云。Eigen Factors（EF）是一种以平面作为主要几何图元求解SLAM的新算法。为此，EF借助齐次点的求和矩阵（Summation matrix），以复杂度穷举计算所有点的误差。EF的求解极为高效：i）状态变量仅为传感器位姿——即轨迹，而平面参数此前以闭式估计；ii）EF交替优化采用牛顿-拉夫森法，通过直接解析计算梯度与海森矩阵实现，后者为块对角矩阵。由于需对特征值与矩阵元素求导，我们发展了一种在刚体变换流形上计算偏导数的直观方法，可应用于需要一定复杂度解析导数的无关问题。我们在合成环境中评估了EF及其他SOTA平面SLAM后端算法的优化过程（后端），并将评估扩展至ICL数据集（RGBD）与LiDAR KITTI数据集。代码公开于https://github.com/prime-slam/EF-plane-SLAM。
引用
@article{arxiv.2304.01055,
title = {Eigen-Factors a Bilevel Optimization for Plane SLAM of 3D Point Clouds},
author = {Gonzalo Ferrer and Dmitrii Iarosh and Anastasiia Kornilova},
journal= {arXiv preprint arXiv:2304.01055},
year = {2025}
}