其他分享
首页 > 其他分享> > ROS-3DSLAM(4):lidar_odometry包浅析

ROS-3DSLAM(4):lidar_odometry包浅析

作者:互联网

2021@SDUSC

2021年10月11日星期一——2021年10月14日星期四

一、学习背景:

结束了论文的学习之后,我们下一步的学习目标就是关键的代码了,但是在此之前,我们还仍然需要先把整个项目的信息流分析明白,这样才能有助于我们更好地进行后续的阅读学习代码工作。

结束了信息流的分析之后,我们的第二个工作目标就是对于lidar_odometry包的代码分析。相较于第一个视觉处理的系统而言,这个雷达处理的系统更为简单一些,分析起来也相对较为容易。我们首先分析的目标是较小的三个文件,剩下的那一个较大的代码文件:图优化,我们下一周再处理。这一周,我负责的部分是特称提取的功能,也就是“featureExtraction.cpp”。

因为第二项工作任务较多,所以考虑到篇幅,所以我把信息流的部分摘取了出来,单独列为了一篇文章,下一次再写出来。

二、特征提取(featureExtraction.cpp):

1、开头导入文件:

代码开头导入的两个文件当中,一个是本地文件夹下的utility,一个是lvi-slam下的cloud_info。这里特别要注意的是第二个头文件。第一个头文件中包含了本系统中所需要的各种初始定义,位于本地文件夹下,而第二个头文件则是点云的基本信息,除此之外,也包含了“imu”和“odom”的成员变量。

之后,作者又定义了两个数据结构,分别用来存储和计算( )信息。

2、基本的定义:

在这个大类当中,作者首先给出了相应的定义。

因为是首次接触点云这个概念,而且长时间没有接触cpp,有些陌生,所以阅读代码起来稍微有些吃力。

因此我参考了知乎上的注释来入手(见文末)。在这里,注释者基本上介绍了作者缩写代码的思路。

2、函数分析一:初始化

首先的两个函数 FeatureExtraction和 initializationValue就是用来初始化的。

它们初始化了订阅者和发布者的信息,并且给上文所定义的各个变量进行了初始化。

FeatureExtraction()
{
    // 订阅当前激光帧运动畸变校正后的点云信息
    subLaserCloudInfo = nh.subscribe<lio_sam::cloud_info>("lio_sam/deskew/cloud_info", 1, &FeatureExtraction::laserCloudInfoHandler, this, ros::TransportHints().tcpNoDelay());
​
    // 发布当前激光帧提取特征之后的点云信息
    pubLaserCloudInfo = nh.advertise<lio_sam::cloud_info> ("lio_sam/feature/cloud_info", 1);
    // 发布当前激光帧的角点点云
    pubCornerPoints = nh.advertise<sensor_msgs::PointCloud2>("lio_sam/feature/cloud_corner", 1);
    // 发布当前激光帧的面点点云
    pubSurfacePoints = nh.advertise<sensor_msgs::PointCloud2>("lio_sam/feature/cloud_surface", 1);
    
    // 调用初始化函数
    initializationValue();
}
​
// 初始化各个变量信息
void initializationValue()
{
    cloudSmoothness.resize(N_SCAN*Horizon_SCAN);
​
    downSizeFilter.setLeafSize(odometrySurfLeafSize, odometrySurfLeafSize, odometrySurfLeafSize);
​
    extractedCloud.reset(new pcl::PointCloud<PointType>());
    cornerCloud.reset(new pcl::PointCloud<PointType>());
    surfaceCloud.reset(new pcl::PointCloud<PointType>());
​
    cloudCurvature = new float[N_SCAN*Horizon_SCAN];
    cloudNeighborPicked = new int[N_SCAN*Horizon_SCAN];
    cloudLabel = new int[N_SCAN*Horizon_SCAN];
}

3、核心函数群的功能分析:

1 laserCloudInfoHandler

开头的三行将得到的数据存储在了之前声明定义的cloudinfo、cloudHeader和pcl::fromROSMsg之中。


pcl::fromROSMsg这一行还有得到当前激光帧畸变校正之后的有效点云的功能……我没看出来


之后就是调用的核心函数群。下面依次介绍。

  void laserCloudInfoHandler(const lvi_sam::cloud_infoConstPtr& msgIn)
​
{
cloudInfo = *msgIn; // new cloud info
cloudHeader = msgIn->header; // new cloud header
pcl::fromROSMsg(msgIn->cloud_deskewed, *extractedCloud); // new cloud for extraction
​
calculateSmoothness();
​
markOccludedPoints();
​
extractFeatures();
​
publishFeatureCloud();
​
  }

2 calculateSmoothness

不严谨的翻译:计算平滑度?

用于计算当前激光帧中每个点的曲率。


为什么要这么算?


 void calculateSmoothness()
    {
        int cloudSize = extractedCloud->points.size();
     //遍历所有的有效点云
        for (int i = 5; i < cloudSize - 5; i++)
        {
            //用当前激光点前后5个点计算当前点的曲率
            float diffRange = cloudInfo.pointRange[i-5] + cloudInfo.pointRange[i-4]
                            + cloudInfo.pointRange[i-3] + cloudInfo.pointRange[i-2]
                            + cloudInfo.pointRange[i-1] - cloudInfo.pointRange[i] * 10
                            + cloudInfo.pointRange[i+1] + cloudInfo.pointRange[i+2]
                            + cloudInfo.pointRange[i+3] + cloudInfo.pointRange[i+4]
                            + cloudInfo.pointRange[i+5];           
            
            cloudCurvature[i] = diffRange*diffRange;//diffX * diffX + diffY * diffY + diffZ * diffZ;
​
            cloudNeighborPicked[i] = 0;
            cloudLabel[i] = 0;
            // cloudSmoothness for sorting
            //存储该点的曲率、激光点的一维索引
            cloudSmoothness[i].value = cloudCurvature[i];
            cloudSmoothness[i].ind = i;
        }
    }

3 markOccludedPoints

标记闭塞的点?

结合作者给出的注释,和其他人的介绍可以得知,这个函数的功能是用来标记两种不同的点。分别是被遮挡的和被标记的。

 void markOccludedPoints()
    {
        int cloudSize = extractedCloud->points.size();
        // mark occluded points and parallel beam points
        for (int i = 5; i < cloudSize - 6; ++i)
        {
            // occluded points
            float depth1 = cloudInfo.pointRange[i];
            float depth2 = cloudInfo.pointRange[i+1];
            int columnDiff = std::abs(int(cloudInfo.pointColInd[i+1] - cloudInfo.pointColInd[i]));
​
            if (columnDiff < 10){
                // 10 pixel diff in range image
                if (depth1 - depth2 > 0.3){
                    cloudNeighborPicked[i - 5] = 1;
                    cloudNeighborPicked[i - 4] = 1;
                    cloudNeighborPicked[i - 3] = 1;
                    cloudNeighborPicked[i - 2] = 1;
                    cloudNeighborPicked[i - 1] = 1;
                    cloudNeighborPicked[i] = 1;
                }else if (depth2 - depth1 > 0.3){
                    cloudNeighborPicked[i + 1] = 1;
                    cloudNeighborPicked[i + 2] = 1;
                    cloudNeighborPicked[i + 3] = 1;
                    cloudNeighborPicked[i + 4] = 1;
                    cloudNeighborPicked[i + 5] = 1;
                    cloudNeighborPicked[i + 6] = 1;
                }
            }
            // parallel beam
            float diff1 = std::abs(float(cloudInfo.pointRange[i-1] - cloudInfo.pointRange[i]));
            float diff2 = std::abs(float(cloudInfo.pointRange[i+1] - cloudInfo.pointRange[i]));
​
            if (diff1 > 0.02 * cloudInfo.pointRange[i] && diff2 > 0.02 * cloudInfo.pointRange[i])
                cloudNeighborPicked[i] = 1;
        }
    }

4 extractFeatures(最为核心的函数)

特征提取:名字如同本类的名字,其重要性可见一斑。

首先清除原来的信息(clear()),并创建智能指针ptr。

void extractFeatures()
    {
        cornerCloud->clear();
        surfaceCloud->clear();
​
        pcl::PointCloud<PointType>::Ptr surfaceCloudScan(new pcl::PointCloud<PointType>());
        pcl::PointCloud<PointType>::Ptr surfaceCloudScanDS(new pcl::PointCloud<PointType>());
​
        for (int i = 0; i < N_SCAN; i++)
        {
            surfaceCloudScan->clear();
​
            for (int j = 0; j < 6; j++)
            {
​
                int sp = (cloudInfo.startRingIndex[i] * (6 - j) + cloudInfo.endRingIndex[i] * j) / 6;
                int ep = (cloudInfo.startRingIndex[i] * (5 - j) + cloudInfo.endRingIndex[i] * (j + 1)) / 6 - 1;
​
                if (sp >= ep)
                    continue;
​
                std::sort(cloudSmoothness.begin()+sp, cloudSmoothness.begin()+ep, by_value());
​
                int largestPickedNum = 0;
                for (int k = ep; k >= sp; k--)
                {
                    int ind = cloudSmoothness[k].ind;
                    if (cloudNeighborPicked[ind] == 0 && cloudCurvature[ind] > edgeThreshold)
                    {
                        largestPickedNum++;
                        if (largestPickedNum <= 20){
                            cloudLabel[ind] = 1;
                            cornerCloud->push_back(extractedCloud->points[ind]);
                        } else {
                            break;
                        }
​
                        cloudNeighborPicked[ind] = 1;
                        for (int l = 1; l <= 5; l++)
                        {
                            int columnDiff = std::abs(int(cloudInfo.pointColInd[ind + l] - cloudInfo.pointColInd[ind + l - 1]));
                            if (columnDiff > 10)
                                break;
                            cloudNeighborPicked[ind + l] = 1;
                        }
                        for (int l = -1; l >= -5; l--)
                        {
                            int columnDiff = std::abs(int(cloudInfo.pointColInd[ind + l] - cloudInfo.pointColInd[ind + l + 1]));
                            if (columnDiff > 10)
                                break;
                            cloudNeighborPicked[ind + l] = 1;
                        }
                    }
                }
​
                for (int k = sp; k <= ep; k++)
                {
                    int ind = cloudSmoothness[k].ind;
                    if (cloudNeighborPicked[ind] == 0 && cloudCurvature[ind] < surfThreshold)
                    {
​
                        cloudLabel[ind] = -1;
                        cloudNeighborPicked[ind] = 1;
​
                        for (int l = 1; l <= 5; l++) {
​
                            int columnDiff = std::abs(int(cloudInfo.pointColInd[ind + l] - cloudInfo.pointColInd[ind + l - 1]));
                            if (columnDiff > 10)
                                break;
​
                            cloudNeighborPicked[ind + l] = 1;
                        }
                        for (int l = -1; l >= -5; l--) {
​
                            int columnDiff = std::abs(int(cloudInfo.pointColInd[ind + l] - cloudInfo.pointColInd[ind + l + 1]));
                            if (columnDiff > 10)
                                break;
​
                            cloudNeighborPicked[ind + l] = 1;
                        }
                    }
                }
​
                for (int k = sp; k <= ep; k++)
                {
                    if (cloudLabel[k] <= 0){
                        surfaceCloudScan->push_back(extractedCloud->points[k]);
                    }
                }
            }
​
            surfaceCloudScanDS->clear();
            downSizeFilter.setInputCloud(surfaceCloudScan);
            downSizeFilter.filter(*surfaceCloudScanDS);
​
            *surfaceCloud += *surfaceCloudScanDS;
        }
    }

5 freeCloudInfoMemory和publishFeatureCloud

这两个函数的功能很简单,就是用来清理点云和发布点云信息。

后者在执行时会调用前者,先清理点云信息,再保存好新提取到的点云信息,然后传送给图优化函数mapOptimization。

​
    void freeCloudInfoMemory()
    {
        cloudInfo.startRingIndex.clear();
        cloudInfo.startRingIndex.shrink_to_fit();
        cloudInfo.endRingIndex.clear();
        cloudInfo.endRingIndex.shrink_to_fit();
        cloudInfo.pointColInd.clear();
        cloudInfo.pointColInd.shrink_to_fit();
        cloudInfo.pointRange.clear();
        cloudInfo.pointRange.shrink_to_fit();
    }
​
    void publishFeatureCloud()
    {
        // free cloud info memory
        freeCloudInfoMemory();
        // save newly extracted features
        cloudInfo.cloud_corner  = publishCloud(&pubCornerPoints,  cornerCloud,  cloudHeader.stamp, "base_link");
        cloudInfo.cloud_surface = publishCloud(&pubSurfacePoints, surfaceCloud, cloudHeader.stamp, "base_link");
        // publish to mapOptimization
        pubLaserCloudInfo.publish(cloudInfo);
    }

ZHOU3 ZHOU4

三、问题汇总及解答

说明:

本来想一个一个处理完成,但是结果发现这些问题自己能够解决的了了无几,因为这几个问题中除了我能解决的之外,剩下的并不与代码的理解相关,还设计到另外的包的内容,毕竟作者是从前边的包的基础上研发的这个系统,因此学习前边的相关的内容的包也是有必要的。如果弄懂了前几个包的内容,说不定后边的这些问题可能就会迎刃而解了。所以我决定先把这些问题能搁置的搁置,先去阅读一下前边的包,并与队友们讨论一下再来处理这些问题。

问题1

答:这是一个基础问题,主要是涉及到cpp语法和点云这一基本结构。

::是域运算符,用来强调声明的是在lvi_sam和std_msgs包下的数据类型点云信息和Header。

cloud_info顾名思义是用来存储点云信息的,而Header则是std_msgs包下用来传递数据的点云信息。

四、参考资料:

LVI-SAM代码注释 – xuwuzhou的SLAM之路 – 静心,慎思,明辨,笃学

Documentation - ROS Wiki

LVI_SAM源码详解 - 知乎 (zhihu.com)

绪论:什么是点云? - 知乎 (zhihu.com)

pcl的初步使用(ROS)_dxmcu的专栏-CSDN博客

(2条消息) PCL之指针Ptr详解libaiicon的博客-CSDN博客pcl指针

Smart Powerful Lidar Solutions | Velodyne Lidar

velodyne VLP-16 ros下获取点云数据(超详细教程) - 古月居 (guyuehome.com)

(2条消息) 我与插值萍水相逢:线性插值(Linear Interpolation)原理及使用三分糖-CSDN博客线性插值法

(2条消息) 降采样,下采样,池化Jiashilin-CSDN博客降采样

c++中冒号(:)和双冒号(::)的用法 - SegmentFault 思否

(2条消息) ROS std_msgs/Header 数据含义_liang_yy的博客-CSDN博客

(2条消息) SLAM学习笔记(十九)开源3D激光SLAM总结大全——Cartographer3D,LOAM,Lego-LOAM,LIO-SAM,LVI-SAM,Livox-LOAM的原理解析及区别_微鉴道长的博客-CSDN博客

标签:odometry,3DSLAM,pointRange,浅析,int,pcl,点云,cloudInfo,cloudNeighborPicked
来源: https://blog.csdn.net/m0_49088083/article/details/120807992