Registro Automático de Nuvens de Pontos 3D e Refinamento Global de Poses – Contribuições para o Mapeamento e Localização Simultâneo (SLAM)

Abstract

O registro de nuvens de pontos 3D e o refinamento global de poses são dois problemas fundamentais ao realizar o Mapeamento e Localização Simultâneos (Simultaneous Localization and Mapping - SLAM) com sensores LIDAR. O registro de nuvens consiste em encontrar transformações de coordenadas que sobrepõem localmente pares de nuvens de pontos, chamadas poses relativas. Para referenciar várias nuvens em uma origem global, várias poses relativas precisam ser compostas multiplicativamente em poses absolutas ao longo da trajetória do sensor, como as poses relativas nunca estão isentas de erros, um problema ainda mais geral surge, a deriva (drift) da trajetória do sensor. Para tratar este problema se utilizam Modelos de Refinamento Global (MRG), que refinam simultaneamente todas as poses de uma trajetória. Neste contexto, propõe-se aqui duas contribuições, a primeira, é um método de registro de pares de nuvens de pontos que integra o Fast Global Registration (FGR) e o Generalized Iterative Closest Point (GICP) em uma abordagem multicaminho e em multiescala. Para isto, cada nuvem de um dataset é registrada nas 3 posteriores, criando um grafo de poses, e cada par é sucessivamente registrado em abordagem coarse-to-fine. A segunda contribuição, se trata de um MRG linear e fechado capaz de refinar todas as poses de um circuito, sem necessidade de iterações ou definição de parâmetros. Para isto, as rotações das poses são mapeadas em quatérnios e interpoladas por meio da técnica Spherical Linear Interpolation (SLERP). Em seguida outra otimização linear baseada no modelo LUM-3D é aplicada. A combinação dos modelos foi testada em dois datasets distintos, um com sete nuvens de pontos obtidas por Laser Scanner Terrestre (LST) e outro com 901 nuvens obtidas por Laser Scaner Móvel (LSM). Em ambos, os modelos foram capazes de reconstruir totalmente os datasets e reduzir significativamente os erros de registro e deriva.

Keywords

• Laser Scanner
• Reconstrução 3D
• Otimização Global de Poses
• SLAM
• SLERP