Fast and Robust Normal Estimation for Sparse LiDAR Scans

激光雷达技术已经被证明是许多机器人系统中重要的一部分。从激光雷达数据估计的表面法线通常用于此类系统中的各种任务。由于大多数今天的机械激光雷达传感器产生稀疏数据，因此从单个扫描中稳健地估计法线存在困难。本文解决了稀疏激光雷达数据估计法线的问题，避免了在高曲率区域平滑法线的典型问题。机械激光雷达旋转一组刚性安装的激光器。这样一组激光器的发射会产生一系列点的数组，其中每个点的邻居都是已知的，因为扫描仪的发射模式是已知的。我们利用这个知识将这些点连接到它们的邻居，并使用连接它们的线的角度对它们进行标记。在这些点处估计法线时，我们只考虑与邻居具有相同标记的点。这使我们避免了在高曲率区域估计法线的问题。我们在各种数据上评估了我们的方法，包括自行记录的数据和公开可用的数据，这些数据使用各种稀疏激光雷达传感器获取。我们展示了使用我们的法线估计方法会导致在高曲率区域更稳健的法线，从而得到更高质量的地图。我们还展示了我们的方法仅会产生常数因子的运行时开销，相对于轻量级基线法线估计程序而言，因此适合在计算要求高的环境中运行。

本文试图解决机械LiDAR传感器产生的稀疏数据在估计法向量时的问题，避免在高曲率区域平滑法向量的典型问题。

本文的关键思路是利用机械LiDAR传感器的激光扫描模式，将每个点与其邻居连接并使用它们之间的角度标记，然后仅考虑具有相同标记的邻居点来估计法向量，从而避免在高曲率区域估计法向量。

本文使用各种自行记录和公开可用的数据对其方法进行了评估，表明使用该方法估计法向量可在高曲率区域产生更稳健的结果，从而导致更高质量的地图。该方法的运行时间仅具有常数因子开销，适用于计算要求高的环境。本文的亮点还包括实验设计和数据集的使用，以及开源代码的可用性。

最近的相关研究包括：'Surface Normal Estimation for Range Sensors in Outdoor Scenes'，'Efficient Surface Normal Estimation for Point Clouds Using Gaussian Spheres'等。