3D Graph-Based SLAM Benchmark in Structured Environments and Loop Closure Detection

Abstract

It seems evident that autonomous vehicles will bring numerous advantages, including improved safety, efficiency, and increased mobility for individuals with reduced mobility who may not be able to drive. Over the past few years, this field has gradually gained the attention of people worldwide, and it seems clear that the overall adoption of automated vehicles (including robots) will be one of the paths to follow. To enable autonomous vehicles to navigate in unknown environments, the existence of robust SLAM (Simultaneous Localization and Mapping) algorithms capable of operating under various adverse conditions is essential. In this context, this work aims to focus on studying and gaining a clear understanding of LIDAR-based SLAM systems and identifying their limitations and advantages.Four SLAM algorithms (Cartographer, HDL-Graph SLAM, LIO-SAM, and SC LeGO LOAM) are discussed and evaluated on data acquired in real-world scenarios. The first evaluation has considered sequences with direct loops. Then, two algorithms with the best trajectory results were selected and evaluated in environments that included revisits to the same locations from a different perspective to evaluate the robustness of the loop closure algorithm. The results demonstrated that, in terms of local SLAM, the best-performing algorithm was LIO-SAM (although Cartographer achieved good trajectory results, it required significant parameter tuning), although it showed a slight limitation when encountering road bumps. Both SC LIO-SAM and SC LeGO LOAM successfully identified revisited locations due to their robust place recognition algorithm, which yielded good results in the loop closure section.The worst-performing algorithm was clearly HDL-Graph SLAM, which lacked a global map optimization algorithm to compensate for errors in the local SLAM process. The influence of loop closure on trajectory and map correction can be seen on the reported results.

Parece evidente que os veículos autónomos irão trazer inúmeras vantagens, seja a nível de segurança, eficiência, como também permitir que pessoas com mobilidade reduzida possam circular, mesmo que não consigam conduzir. Há alguns anos que esta área tem vindo gradualmente a aumentar a atenção de pessoas por todo o mundo e não há dúvidas que este é um dos caminhos a seguir. Para que veículos autónomos naveguem em ambientes desconhecidos, a existência de algoritmos de SLAM robustos, que consigam operar em todo o tipo de condições adversas é essencial. Neste sentido, este trabalho tem em vista focar-se em estudar e compreender de forma clara sistemas de SLAM baseados em LIDAR, identificando quais as suas limitações e as suas vantagens. São estudados quatro algoritmos de SLAM (Cartographer, HDL-Graph SLAM, LIO-SAM e SC LeGO LOAM) e testados em dados adquiridas em ambientes reais. Numa primeira avaliação, consideraram-se sequências com loops diretos. De seguida, tendo em conta os resultados alcançados na primeira avaliação, foram selecionados dois algoritmos com melhores resultados de trajetória e então foram testados em ambientes que contivessem passagens pelos mesmo lugares, vistos de uma perspetiva complementar para avaliar a robustez do algoritmo de loop closure. Os resultados demonstraram que em termos de local SLAM o melhor algoritmo foi o LIO-SAM (embora o Cartographer tenha tido bons resultados de trajetória precisava de muitos ajustes nos parâmetros), apesar de ter apresentado uma pequena limitação quando existem altos na estrada. Ambos os algoritmos SC LIO-SAM e SC LeGO LOAM identificaram com sucesso os locais revisitados, devido a possuir um algoritmo de place recognition robusto e que apresentou bons resultados na secção de loop closure. O algoritmo com desempenho inferior foi claramente o HDL-Graph SLAM uma vez que não continha algoritmo de global map optimization que compensasse os erros obtidos no processo de local SLAM. Demonstrou-se com evidências experimentais a influência do loop closure na correção da trajetória e do mapa obtido.