C$^3$P-VoxelMap: Compact, Cumulative and Coalescible Probabilistic Voxel Mapping

本文提出了一种紧凑、累积和可合并的概率体素映射方法，以提高激光雷达里程计的性能、精度和内存效率。概率体素映射需要存储过去的点云，并在每次迭代中重新迭代以更新不确定性，这会消耗大量内存空间和CPU周期。为了解决这个问题，我们提出了一个双重策略。首先，我们引入了一种紧凑的无点表示法来表示概率体素，并推导出平面不确定性的累积更新，而无需缓存原始点云。我们的体素结构仅跟踪位于其中的一组预定统计数据的点。这种方法将运行时复杂度从$O(MN)$降低到$O(N)$，将空间复杂度从$O(N)$降低到$O(1)$，其中$M$是迭代次数，$N$是点数。其次，为了进一步最小化内存使用并增强映射精度，我们提供了一种策略，通过利用现实世界中的几何特征来动态合并与同一物理平面相关联的体素。我们的合并策略不是在每次迭代中不断扫描这些可合并的体素，而是在局部敏感哈希中累积体素，并懒惰地触发合并。按需合并不仅通过最小的计算开销减少了内存占用，而且由于跨体素去噪，提高了定位精度。实验表明，与最先进的方法相比，精度提高了20％，性能提高了20％，内存消耗降低了70％。

本文致力于提高LiDAR测距仪的性能、精度和内存效率，解决了存储点云数据和迭代更新不断消耗大量内存空间和CPU周期的问题。

本文提出了一种紧凑、可累积和可合并的概率体素映射方法，通过引入一种紧凑的无点表示法，实现了平面不确定性的累积更新，从而将运行时间复杂度从$O(MN)$降至$O(N)$，空间复杂度从$O(N)$降至$O(1)$。此外，作者还提供了一种动态合并同一物理平面相关体素的策略，利用现实世界中的几何特征，通过局部敏感哈希累积体素并触发惰性合并，从而进一步减少内存占用和提高映射精度。

实验结果表明，与现有技术相比，本文方法具有更高的精度、更快的性能和更低的内存消耗。作者还开源了代码并使用了多个数据集进行验证。

最近的相关研究包括："A Survey of LiDAR Odometry and Mapping Methods for Autonomous Driving"、"Efficient Probabilistic 3D Mapping with Lazy Node Creation"、"VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection"等。