目录
1. 为 NDT 设计一个匹配度评估指标，利用该指标可以判断 NDT 匹配的好坏。
2. 利用第 1 题的指标，修改程序，实现 mapping 部分的回环检测。
3. 将建图结果导出为 NDT map，即将 NDT 体素内的均值和协方差都存储成文件。
4. 实现基于 NDT map 的激光定位。根据车辆实时位姿，加载所需的 NDT 体素并完成定位。
5. 给出上述结果相比于 PCL NDT 的性能、存储空间等关键指标
1. 为 NDT 设计一个匹配度评估指标，利用该指标可以判断 NDT 匹配的好坏。
2. 利用第 1 题的指标，修改程序，实现 mapping 部分的回环检测。
文章来源：https://www.toymoban.com/news/detail-783413.html
文章来源地址https://www.toymoban.com/news/detail-783413.html
下图是
PCL
版本
NDT
匹配，在阈值设置（
ndt_score_th
）为
4.5
时的匹配结果（
其中加载
的关键帧数目我删掉了一些，因为实在是耗时有点久。。。）
根据上面
PCL
版本的
NDT
检测结果来确定适配自定义指标的阈值（
ndt_score_th
）。
使用原来的阈值明显不对，观察，得分在
0.2
附近，于是试着在这个范围寻找合适的阈值。
可见，阈值设置为
0.15
和
pcl
版本的阈值为
4.5
时的结果差不多。
3. 将建图结果导出为 NDT map，即将 NDT 体素内的均值和协方差都存储成文件。
这里参考
split_map.cc
代码的内容：加载关键帧对应的点云，对其进行滤波，然后计算点
云中的每个点对应的地图区块
id
，最后将区块索引和对应点云分别存储起来。
我们要导出
NDT map
，需要构建
NDT
体素并计算均值和协方差，这些在第七章的
ndt_3d.h
的
SetTarge
函数中已经实现。
保存的结果：
4. 实现基于 NDT map 的激光定位。根据车辆实时位姿，加载所需的 NDT 体素并完成定位。
原先基于点云地图的激光定位使用的是
PCL
版本
NDT
，
在
RTK
角度搜索中用到了
10
米，
5
米，
4
米，
2
米的多分辨率
NDT
匹配来确定
RTK
的朝向，所以实现基于
NDT map
的激光定位，也需要加载多分辨率
的体素，所以参照第
3
题重新修改为保存多分辨率的
NDT map
。代码如下：
存储
NDT
体素中的均值和协方差矩阵信息。
①首先，在
fusion
初始化时配置要加载的
NDT map
路径，并参考原来的
loadMapIdex()
函
数，将多分辨率的
NDT
地图数据加载进来。
②接下来就是定位流程
ProcessMeasurements(m)
。首先要确定
RTK
朝向，加载多分辨率
NDT map
，使用多分辨率来进行寻找。
当然，同样也要准备卸载超出范围的
NDT
地图。
以上过程包含在
loadNdtMap
函数中。
RTK
初始化成功后后续定位流程在
LidarLocalization()
中进行。
至此，实现了基于
NDT map
进行激光定位的功能。
③实现效果：
两者定位效果差不多。
5. 给出上述结果相比于 PCL NDT 的性能、存储空间等关键指标。
①统计比较两者在加载地图和配准过程两方面的耗时情况。
可以发现，基于
NDT map
的方法，加载地图数据耗时要比加载点云要慢很多；而配准方面
会快很多。
比较一下跑完一个
bag
，总的耗时情况。
经过对比发现，基于
NDT map
的激光雷达定位效率是基于
PCL NDT
的接近六倍。
②统计比较两者需要加载的地图数据占存储大小。
原先加载的是以
100x100
大小地图区块索引命名的
pcd
格式点云数据，而现在需要加载
4
种不同分辨率的
NDT
体素地图数据中，仅存储了均值和信息矩阵。因此存储空间应该要小得多，果然，对比如下：
到了这里，关于8. 《自动驾驶与机器人中的SLAM技术》基于保存的自定义NDT地图文件进行自动驾驶车辆的激光定位的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
