年初，Livox 推出了适用于自动驾驶的重磅产品——浩界 Horizon 激光雷达，售价仅需￥6499，大幅降低高性能激光雷达的使用门槛。自发布以来，各行各业客户纷纷采购、试用。浩界激光雷达 0.1 秒内可以输出的点数约为 24000，在 81.7° × 25.1° 的 FOV 范围内，足以获取丰富的三维信息，可以通过点云的帧间匹配实现激光雷达的位姿估计，实现激光里程计、ego-motion、三维重建等功能。由于这款产品有别于传统的机械式激光雷达，客户在实际应用中也需要有相对应的调整。本文将介绍部分开源算法及实际使用案例，希望能对您的团队有所启发。

 

浩界Horizon loam_livox算法示例

传统机械式激光雷达采用线束间重复扫描方式，相邻帧点云的重复度非常高，因此可采用常见的 ICP、NDT 等算法匹配点云，获取激光里程计信息，进而完成运动估计、三维建图等工作。

而非重复扫描的激光雷达，激光线束的扫描位置时刻处在变化之中，每帧数据采集到的点云形态存在较大差异，若直接通过点到点（Point to Point）的方式匹配点云，往往无法获得精度较高的匹配结果。因此对于非重复扫描雷达的点云数据，可以通过直接与地图匹配（Scan to Map）的方式，如 loam_livox[1]，通过获得每帧点云在世界坐标系下的位姿，实现激光雷达的位姿估计。

下面以开源算法 livox_horizon_loam[2] 为例，简单讲述如何利用单台浩界 Horizon雷达与 LOAM[3]算法，完成激光 SLAM 工作。

硬件配置：可移动平台×1、浩界 Horizon 激光雷达×1

 

 

软件环境：Ubuntu 16.04、ROS Kinetic、PCL 1.7、Ceres 1.13.0、Eigen 3.3.7、OpenCV 3.3.1。

算法介绍：

 

 

01 点云特征提取

 

从浩界 Horizon的单帧点云（0.1 秒点云数据，下同）中提取边缘特征点和平面特征点等信息，再利用点到直线（Point to Line）和点到平面（Point to Plane）的点云配准方式，精简浩界 Horizon单帧点云的数据量，可在提升运算速度的同时，降低非重复扫描对点云匹配造成的不利影响，提升匹配的精度与稳定度。

浩界 Horizon 点云以固定的线号顺序，按照时序依次输出，如下所示。这种规则的扫描方式，为提取点云特征提供了巨大便利。

 

0.1s (10HZ) 浩界点云扫描示意图

 

在浩界 Horizon的点云数据中，每个点所属的线号、时间戳等信息都可轻松读取，以本文使用的 livox_ros_driver/CustomMsg 数据格式为例，其数据结构如下所示：

对于第 n 线（即line=n）的一个点 通过与其同线号的邻近点，可以计算该点的曲率值。基于曲率值大小的判断，可以将所有点区分为“边缘点”、“平面点”、“一般点”三种类型。如图 2 所示，处在边缘的点，其曲率较大，而处在平面上的点，曲率接近于 0。定义点集，其中包含了点 以及与其相邻的 2m 个点。则点 的曲率值可以通过下式计算：

定义边缘点曲率阈值 与平面点曲率阈值 ，则边缘点需满足> 的判定条件，而平面点需满足< 的判定条件，其余点都被归类为一般点。

图2 曲率计算示意图

 

浩界点云特征提取效果如下图3所示，其中白色点为一般点，红色点的边缘点，绿色点为平面点。

图3 浩界 Horizon点云特征提取效果

 

 

02 点云匹配与位姿修正

 

浩界 Horizon两帧点云数据在优化点云之间特征点的匹配误差后，便可完成点云的配准，获得雷达运动状态的估计结果。除此之外，在优化每一帧点云在全局地图坐标系中的位姿之后，浩界 Horizon还能够在实时输出激光里程计信息的同时，构建高质量的场景三维点云地图。这部分的具体实现方法与 LOAM[1] 完全一致，最终效果如文章开头视频所示。

 

扩展

本文通过实际案例，证明将浩界 Horizon的非重复扫描点云数据应用到现有优秀算法完全可行。虽然算法的迁移不可避免，但大规模商用时节省下来的真金白银远大于算法迁移成本。从本文案例以及 Livox 相关客户的经验来看，从传统机械旋转式激光雷达切换到 Livox 激光雷达的算法迁移难度并不高。

从技术原理上说，传统算法所使用的点云邻域信息依然适用于浩界 Horizon的点云，只需针对不同算法，在具体参数上进行调整和优化，即可完成浩界 Horizon点云与已有算法的适配。而适用于传统雷达的深度学习模型的深度学习算法，只需完成相应的数据采集、标注与训练，同样可用于浩界 Horizon激光雷达。

下面视频展示的示例中，我们将浩界 Horizon激光雷达与 IMU 数据进行融合定位与建图，在提高了浩界 Horizon定位精度的同时，又增强了浩界 Horizon点云对多种复杂场景的应对能力，如城市道路、高架桥、隧道等。此外，引入深度学习技术后，我们能对每一帧点云中出现的车辆进行检测与追踪，有效提升了浩界 Horizon激光雷达的感知能力，也说明浩界 Horizon激光雷达非常适用于自动驾驶及其相关领域。

 

 

参考文献.

[1] loam_livox: https://github.com/hku-mars/loam_livox

[2] livox_horizon_loam: https://github.com/Livox-SDK/livox_horizon_loam

[3] LOAM: https://ri.cmu.edu/pub_files/2014/7/Ji_LidarMapping_RSS2014_v8.pdf