基于點云反射強度的船載激光SLAM回環(huán)檢測算法

摘" 要： 針對非結(jié)構(gòu)化內(nèi)河航道激光點云有效特征難以提取，導(dǎo)致回環(huán)檢測準確率低的問題，提出一種基于反射強度掃描內(nèi)容的回環(huán)檢測算法。該算法首先提出了基于點云反射強度的全局描述子方法，對經(jīng)過預(yù)處理后的點云進行反射強度校正，降低點云畸變影響；然后提出了基于ISC描述子的快速回環(huán)檢測方法，將點云的反射強度掃描內(nèi)容作為全局描述子，以增加有效特征點云；最后研究了基于幀?子地圖匹配的回環(huán)位姿變換方法，并搭建了一套船載激光SLAM軟硬件系統(tǒng)平臺驗證了上述算法的可行性。實驗結(jié)果表明，文中的回環(huán)檢測算法準確率提升了20%，處理時間減少了24%，說明該算法在提高檢測速度的同時還提升了建圖的精度。

關(guān)鍵詞： 智能船舶； 激光點云； 反射強度； 位姿匹配； 回環(huán)檢測； 全局描述子

中圖分類號： TN911?34； U675.73" " " " " " " " " "文獻標識碼： A" " " " " " " " " " 文章編號： 1004?373X（2024）23?0113?06

Shipborne LiDAR SLAM loop detection algorithm based on point cloud reflection intensity

WANG Chihua1， 2， CHEN Qian1， 3， HU Dakai3， HE Shuguang4， YANG Yueheng3， ZHANG Jinkun3， 5， TANG Xin1， 3， LI Xiaohuan1， 3

（1. Guangxi Research Institute of Comprehensive Transportation Big Data， Nanning 530001， China;

2. Guangxi Beigang Big Data Technology Co.， Ltd.， Nanning 530001， China; 3. Guilin University of Electronic Technology， Guilin 541004， China;

4. Guangxi Beibu Gulf International Port Group Co.， Ltd.， Nanning 530001， China; 5. GUET?Nanning E?Tech Research Institute Co.， Ltd.， Nanning 530001， China）

Abstract： In view of the low loop detection accuracy due to the difficulties in extracting effective features of LiDAR point clouds in unstructured inland waterways， a loop detection algorithm based on reflection intensity scanning content is proposed. A global descriptor method based on point cloud reflection intensity is proposed to correct the reflection intensity of the preprocessed point cloud， so as to reduce the distortion effect of the point cloud. Then， a fast loop detection method based on ISC descriptor is proposed， which takes the reflection intensity scanning content of point cloud as the global descriptor to increase the effective featured point cloud. A method of loop pose transformation based on frame?submap matching is further studied. A shipborne LiDAR SLAM software and hardware system platform is built to verify the feasibility of the above algorithm. Experimental results show that the proposed algorithm improves the loop detection accuracy by 20% and reduces the processing time by 24%， which indicates that the proposed algorithm improves not only the detection speed， but also the accuracy of mapping construction.

Keywords： intelligent ship; LiDAR point cloud; reflection intensity; pose matching; loop detection; global descriptor

0" 引" 言

內(nèi)河船舶作為我國水運體系的重要組成部分，扮演著貨物運輸、資源輸送等重要角色[1]。然而，傳統(tǒng)的船舶自動識別系統(tǒng)（Automatic Identification System， AIS）、全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System， GNSS）等存在自主定位誤差大的問題，不能應(yīng)用于智能船舶自動靠離泊、無人駕駛船舶等，因此急需一種適用于內(nèi)河環(huán)境的高精船舶自主定位技術(shù)。激光SLAM（Simultaneous Localization and Mapping）作為一種自主定位與建圖技術(shù)，可通過激光雷達獲取船舶周圍航行環(huán)境信息，實現(xiàn)船舶的自主定位與建圖[2]。

然而，在內(nèi)河水域中，水面會吸收大量激光點云，進而使得接收的有效點云特征變得更加稀疏，且現(xiàn)有的研究多是基于地面點云特征的激光SLAM算法[3?5]，僅通過里程計計算位姿信息并生成點云地圖[6]，直接應(yīng)用于內(nèi)河船舶激光SLAM時，定位和建圖精度急劇下降。文獻[7]在LeGO?LOAM算法[8]的基礎(chǔ)上融入IMU和GNSS差分數(shù)據(jù)，提高了地圖構(gòu)建的準確性，但該方法嚴重依賴GNSS，未考慮從激光點云的特性參數(shù)進行有效特征提取。文獻[9]提出激光雷達點云和IMU數(shù)據(jù)，通過Cartographer框架進行船載多傳感器融合定位，但該SLAM算法是基于單線激光雷達，只能輸出二維地圖，無法滿足三維高精定位與建圖的有效特征提取需求。文獻[10]提出一種激光慣導(dǎo)緊耦合框架U?LOAM[11]，使用IMU輸出對點云進行運動畸變校正，提高了水面環(huán)境上的船舶自主定位精度，但其回環(huán)檢測模塊基于歐氏距離，未考慮累積誤差對回環(huán)檢測的影響。進一步，隨著深度學(xué)習(xí)的迅速發(fā)展，激光SLAM中引入深度學(xué)習(xí)[12]的方法有PSF?LO[13]、CAE?LO[14]和DMLO[15]等，然而這些基于深度學(xué)習(xí)的SLAM算法普遍缺乏已標注的點云數(shù)據(jù)集，且大多用于離線建圖，時效性也難以保障。進一步，回環(huán)檢測使用局部點云特征進行場景識別以提高建圖的精度[16]。文獻[17]通過從點云中隨機選擇關(guān)鍵點并提取區(qū)域形狀描述子，使用投票策略查找關(guān)鍵點最近鄰的方法來識別場景。文獻[18]將點云數(shù)據(jù)轉(zhuǎn)換為距離圖像，并提取每個關(guān)鍵點的特征描述子向量，并使用構(gòu)建的Kd?tree高效處理高維度向量。為了提高場景識別的性能，引入了NARF局部描述子和詞袋模型匹配方法[19]，然而，局部描述子不足以表征整個點云的特征，全局有效特征難以獲取。

為解決上述挑戰(zhàn)，本文提出一種基于點云反射強度的船載激光SLAM回環(huán)檢測算法。該算法首先基于點云反射強度的全局描述子方法，降低點云畸變影響；然后基于ISC描述子的快速回環(huán)檢測方法，以增加有效特征點云；最后基于幀?子地圖匹配的回環(huán)位姿變換方法，搭建船載激光SLAM軟硬件驗證系統(tǒng)平臺以驗證上述算法的有效性。

1" 算法設(shè)計

本文提出的船載激光SLAM系統(tǒng)如圖1所示。該系統(tǒng)主要針對非結(jié)構(gòu)化內(nèi)河航道激光點云有效特征難以提取導(dǎo)致回環(huán)檢測準確率低的問題。首先，在前端里程計模塊中，輸入的激光雷達點云經(jīng)過無效點去除、降采樣等預(yù)處理操作后，按照點云的粗糙度提取平面和邊緣兩類特征點，通過點到直線與點到平面的距離構(gòu)建非線性殘差方程，迭代求解以得到里程計位姿；然后，創(chuàng)新性提出了基于點云反射強度全局描述子的方法，用于提取建圖的有效點云特征，并對經(jīng)過預(yù)處理后的點云進行反射強度校正以提取該幀點云的反射強度掃描內(nèi)容描述子，通過KNN算法快速查找與當(dāng)前點云幀相似的候選關(guān)鍵幀，并計算當(dāng)前幀與候選點云幀之間的相似程度，選擇其中最相似的點云幀作為最優(yōu)關(guān)鍵幀，實現(xiàn)快速回環(huán)檢測；最后，設(shè)計一種改進的迭代最近鄰算法求解回環(huán)位姿變換，并將該位姿約束加入到后端建圖優(yōu)化模塊中，得到經(jīng)過修正后的航行軌跡和全局航道點云地圖。

1.1" 基于點云反射強度的全局描述子

激光雷達返回的點云強度值不僅受物體表面特性的影響，還會受到采集位置、儀器性能等各種因素的影響。因此，為了得到非結(jié)構(gòu)航道邊界物的點云反射強度值，降低點云畸變影響，本文首先對點云發(fā)射強度值進行校正。激光點云的強度值由點云接收功率和發(fā)射功率二者之間的比值確定，接收功率[Pr]及激光點云強度值[Ir]定義為：

[Pr=PeD2rμ4R2ωsysωatmcos α] （1）

[Ir=PrPe=D2rμ4R2ωsysωatmcos α=ωcomμcos αR2] （2）

式中：[Pe]為激光的發(fā)射功率；[Dr]為激光接收器的孔徑大?。籟μ]為激光點所在的材料反射率；[R]為激光點到接收器的距離；[ωsys]為激光束在接收系統(tǒng)中的傳輸因子；[ωatm]為激光束在空氣中的傳輸因子；[α]為激光束在物體表面的入射角；[ωcom]為最終合并的常數(shù)因子。

從式（1）和式（2）可以看出，物體表面的反射率[μ]與距離[R]和入射角[α]有關(guān)。

[μ∝IrR2cosα] （3）

對于某時刻測量得到的激光點云幀，各個點的距離已經(jīng)得到，入射角[α]可以通過分析點的法向量進行估計。對于每個激光點[p∈R3]，局部表面法向量[n]表示為：

[n=（p-p1）×（p-p2）p-p1p-p2] （4）

式中：[p1]、[p2]分別為當(dāng)前點[p]的兩個最近鄰點。

可以計算入射角[α]的余弦值為：

[cosα=pT?np] （5）

參考文獻[20]，采用校正函數(shù)[φ]對反射強度通道讀數(shù)[Ir]進行校正，可得校正后的反射強度[Ical]為：

[Ical=φIr，R] （6）

對于含有[n]個激光點的點云幀，表示為[P={p1，p2，…，pk，…，pn}]，每個點[pk]都有4個通道的讀數(shù)，分別是三維空間坐標讀數(shù)和反射強度讀數(shù)，在局部笛卡爾坐標系[21]下可以表示為[pk=xk，yk，zk，ηk]，將其轉(zhuǎn)換成極坐標表示[Γpk=dk，θk]，其中距離[dk]和方位角[θk]分別為：

[dk=x2k+y2k] （7）

[θk=arctanykxk] （8）

式中[θk]為激光與坐標軸的夾角。將極坐標按照徑向和環(huán)向劃分成[Nr×Ns]個子空間，每一個子空間的定義為：

[Sij=pk∈Pi?DmaxNr≤dklt;（i+1）?DmaxNr，j?2πNs≤θklt;（j+1）?2πNs] （9）

式中：[i]、[j]分別為徑向和環(huán)向的索引，并且[i∈1，2，…，Nr]，[j∈1，2，…，Ns]；[Dmax]為設(shè)置的最遠距離閾值。

由于每個子空間遠小于整個點云空間，當(dāng)子空間足夠小時，可以認為子空間內(nèi)的點云均屬于同一個物體，因此返回的強度讀數(shù)相近，所以使用式（10）對子空間進行編碼。當(dāng)[Sij??]時，[ζij=0]。至此，可以得到一幀點云的反射強度掃描內(nèi)容ISC描述子[Ω]。

[ζij=κSij=meanpk∈Sijηk] （10）

[Ω（i， j）=ζij] （11）

式中：[κ?]表示編碼函數(shù)；mean表示取平均值。

1.2" 基于ISC描述子的快速回環(huán)檢測

回環(huán)檢測從所有歷史點云幀尋找與當(dāng)前時刻點云最相似的點云作為目標回環(huán)幀，隨著運動時間的增加，歷史幀數(shù)據(jù)庫大小迅速增加，計算量也隨之劇增。為減少回環(huán)檢測的運算量和計算時間，本文提出一種基于ISC描述子的快速回環(huán)檢測算法。

首先，從歷史幀數(shù)據(jù)庫中提取回環(huán)候選幀。引入快速索引向量概念，計算方式如式（12）所示。計算歷史幀ISC描述子的快速索引向量，然后構(gòu)建關(guān)于快速索引向量的Kd?tree[22]，通過KNN近鄰搜索與當(dāng)前幀快速索引向量相似的快速索引向量對應(yīng)的歷史幀作為回環(huán)候選幀。

[ε=j=1NsΩ1， j，j=1NsΩ2， j，…，j=1NsΩNr， jT] （12）

式中[Ωi， j]為ISC描述子的第[i]行、第[j]列元素。

可以看出快速索引向量[ε]為ISC矩陣各行之和組成的列向量，并且具備旋轉(zhuǎn)不變性，當(dāng)在同一個地點激光雷達的水平視角變化時，對應(yīng)的快速索引向量不會有太大改變。

使用余弦相似度作為快速索引向量之間相似程度的度量，如式（13）所示：

[cos（ε，ε）=ε?εεε] （13）

然后，計算當(dāng)前點云幀和回環(huán)候選幀之間的反射強度掃描內(nèi)容相似度。由于在同一場景中激光雷達水平視角變化時，對應(yīng)的ISC描述子發(fā)生列偏移，所以使用所有列偏移情況下的最大相似度作為兩個ISC描述子的相似度。而直接使用ISC描述子計算所有列偏移量計算量過大，本文使用偏移索引向量計算最大相似度下的列偏移量。得到最佳偏移量后計算當(dāng)前點云幀與多個回環(huán)候選幀之間的ISC描述子相似度，選擇相似度最大且超過閾值的候選幀作為回環(huán)幀。偏移索引向量為ISC描述子各列之和組成的行向量，余弦相似度作為偏移索引向量之間相似程度的度量，表達式分別為：

[ψ=i=1NrΩi，1，i=1NrΩi，2，…，i=1NrΩi，Ns] （14）

[τ=maxk∈0，Ns-1=ψc?ψqkψcψqk=maxk∈0，Ns-1ψc?ψqk] （15）

式中：[ψc]表示回環(huán)候選幀對應(yīng)的偏移索引向量；[ψqk]表示當(dāng)前點云幀的偏移索引向量循環(huán)移動[k]位后的新向量；[τ]為在兩個偏移索引向量最相似時當(dāng)前點云幀的偏移量，稱為最佳偏移。

獲得最佳偏移后，當(dāng)前點云幀的ISC描述子[Ωc]也進行相應(yīng)的偏移得到新描述子[Ωcτ]，計算回環(huán)候選幀與當(dāng)前點云幀的相似度。

[φ（Ωq，Ωcτ）=1Nsi=1Nsvqi?vcτivqivcτi] （16）

式中：[vqi]為回環(huán)候選幀的第[i]列向量；[vcτi]為[Ωcτ]的第[i]列向量。

1.3" 基于幀?子地圖匹配的回環(huán)位姿變換

快速回環(huán)檢測算法計算出當(dāng)前關(guān)鍵幀與回環(huán)候選幀的反射強度相似度之后，當(dāng)該值超過設(shè)定的閾值時，則認為檢測到了回環(huán)，之后需要進一步計算當(dāng)前幀與回環(huán)幀之間的位姿變換，以提高位姿匹配的精度。由于單幀點云數(shù)據(jù)較為稀疏，直接使用幀?幀進行ICP匹配時誤差大，因此，本文提出一種基于幀?子地圖匹配的回環(huán)位姿變換方法。該方法將當(dāng)前關(guān)鍵幀與前面[K]幀點云拼接成局部子地圖，回環(huán)幀與其前后各[L]幀拼接成子地圖，對這兩個子地圖使用點到面ICP算法匹配求解二者的位姿變換。對于兩組點云[P={p1，p2，…，pi，…，pN}]和[Q={q1，q2，…，qj，…，qN}]，待優(yōu)化的目標函數(shù)為：

[F=minR，ti=1Nn（R?qi+t-pi）2] （17）

式中：[R]表示旋轉(zhuǎn)變換；[t]表示平移變換；[n]為平面的法向量；[pi]為點[qi]經(jīng)過旋轉(zhuǎn)變換后在點云[P]中的最近鄰點，使用Kd?tree進行最近鄰點搜索。

接著，本文使用高斯?牛頓法優(yōu)化求解位姿變換的過程。假設(shè)點[D]為[pi]經(jīng)過變換后得到的點，點[A]、[B]、[C]為點[D]的3個近鄰點，點[O]為點[D]在平面[ABC]上的投影，平面[ABC]的歸一化法向量為：

[n=lAD×lAB?normalize] （18）

目標函數(shù)為點到平面的距離[lOD]，表達式為：

[lOD=n?nT?lCD] （19）

式中[lCD=R?q+t-pc]。由于牛頓法中的Hessian矩陣計算復(fù)雜度高，且難以求解二次導(dǎo)數(shù)，所以高斯?牛頓法使用Jacobian矩陣的乘積去近似Hessian矩陣，能夠加快計算速度的同時保留較高的精度。求取目標函數(shù)關(guān)于優(yōu)化變量[t]、[R]的偏導(dǎo)數(shù)：

[?lOD?t=?n?nT?R?q+t?t=n?nT] （20）

[?lOD?R=nlimΔ?→0nT?R?expΔ?×q-nT?RqΔ?=-n?nT?Rq×] （21）

Jacobian矩陣可以寫成：

[Ji=?lOD?t，?lOD?R=n?nT，-n?nT?Rq×] （22）

式中[?×]表示從向量轉(zhuǎn)換到對應(yīng)的反對稱矩陣。根據(jù)高斯?牛頓法的結(jié)論，Hessian矩陣可以表示成[Hi=JTiJi]，殘差項為[bi=JTi?f=JTi?Idc]，從而根據(jù)式（23）求出位姿增量[Δx]。

[i=1nHiΔx=i=1nbi] （23）

2" 基于ISC描述子的快速回環(huán)檢測性能分析

為驗證文中提出的回環(huán)檢測算法的性能，本文選用scan context算法[23]作為實驗比較對象，實驗選用了KITTI數(shù)據(jù)集[24]中的序列00、05、07和08四個場景來評估所提出的方法。本文測試了點云的平均計算時間，如表1所示。本文算法比scan context算法的平均計算時間減少約24%，這是因為本文算法在回環(huán)檢測時引入了快速索引向量。首先計算歷史幀ISC描述子的快速索引向量，然后構(gòu)建關(guān)于快速索引向量的Kd?tree，通過KNN近鄰搜索與當(dāng)前幀快速索引向量相似的快速索引向量對應(yīng)的歷史幀作為回環(huán)候選幀，大大減少了回環(huán)候選幀篩選所需的計算量，提高了回環(huán)檢測算法的時效性。

表1" 點云的平均計算時間" " " " " " " " " " ms

[算法 00序列 05序列 07序列 08序列 平均計算時間 scan context 1.026 1.106 0.992 1.127 1.06 本文算法 0.792 0.813 0.801 0.825 0.80 ]

進一步，選用準確率（Precision）和召回率（Recall）作為評價本文算法性能的指標[25]，如圖2所示。

由實驗結(jié)果可以看出，本文提出的回環(huán)檢測算法在所有場景中均優(yōu)于對比算法，在識別出更多回環(huán)的同時保持較高的準確率，在相同召回率的情況下（Recall=0.8），實現(xiàn)回環(huán)檢測準確率提升了20%。這是因為：本文算法首先對點云發(fā)射強度值進行了校正，大大降低點云畸變的影響；同時提出一種基于幀?子地圖的ICP算法進行位姿變換，將當(dāng)前關(guān)鍵幀與前面[K]（[K]=4）幀點云拼接成局部子地圖，回環(huán)幀與其前后各[L]（[L]=2）幀拼接成子地圖，解決了單幀點云數(shù)據(jù)較為稀疏的問題，有效提升了激光SLAM回環(huán)檢測的準確率。

3" 船載激光SLAM系統(tǒng)搭建與驗證

為了進一步驗證本文算法在內(nèi)河水面環(huán)境的建圖效果，本文搭建了一套激光點云數(shù)據(jù)采集設(shè)備，如圖3所示。激光雷達使用速騰聚創(chuàng)RS?16，計算單元采用AGX Xavier。點云數(shù)據(jù)于桂林漓江航段采集，該區(qū)域的衛(wèi)星圖像如圖4所示。實驗采用LIO?SAM算法作為性能比較的對象，該算法和本文算法的激光SLAM實驗效果分別如圖5和圖6所示。

從圖5a）中可以看出，經(jīng)過長時間的運動后算法產(chǎn)生的累積誤差較大，軌跡偏移嚴重，導(dǎo)致沒有檢測出回環(huán)區(qū)域，進而使該區(qū)域處的點云地圖產(chǎn)生明顯的重影，如圖5b）所示。本文船載激光SLAM算法的建圖結(jié)果如圖6所示。由圖6a）可以看出，本文算法能正確識別出回環(huán)區(qū)域，圖6b）修正后的軌跡更接近真實情況，相應(yīng)的點云經(jīng)過匹配后消除了重影。因此，本文算法在定位精度和建圖效果方面有明顯改善。

4" 結(jié)" 語

本文圍繞非結(jié)構(gòu)化航道環(huán)境下激光點云有效特征難以提取，導(dǎo)致回環(huán)檢測準確率低及激光SLAM建圖效果差的問題，創(chuàng)新性地引入點云反射強度到激光SLAM的回環(huán)檢測算法中。本文提出了一種基于點云反射強度回環(huán)檢測的船載激光SLAM算法，提高了船載激光SLAM回環(huán)檢測的準確率和時效性。實驗結(jié)果表明，該算法在內(nèi)河航道非結(jié)構(gòu)化水域航行環(huán)境下具有良好的實用性和性能優(yōu)勢，同時還能夠快速建圖，可應(yīng)用于輔助內(nèi)河智能船舶自主航行、自動靠離泊等領(lǐng)域。

注：本文通訊作者為陳倩。

參考文獻

[1] 嚴新平，李晨，劉佳侖，等.新一代航運系統(tǒng)體系架構(gòu)與關(guān)鍵技術(shù)研究[J].交通運輸系統(tǒng)工程與信息，2021，21（5）：22?29.

[2] 李梟凱，李廣云，索世恒，等.激光SLAM技術(shù)進展[J].導(dǎo)航定位學(xué)報，2023，11（4）：8?17.

[3] LUO L， CAO S Y， SHENG Z H， et al. LiDAR?based global localization using histogram of orientations of principal normals [J]. IEEE transactions on intelligent vehicles， 2022， 7（3）： 771?782.

[4] 柴夢娜，劉元盛，任麗軍.基于激光點云NDT特征的兩步回環(huán)檢測[J].激光與紅外，2020，50（1）：17?24.

[5] LI D， LIU N， GUO Y L， et al. 3D object recognition and pose estimation for random bin?picking using partition viewpoint feature histograms [J]. Pattern recognition letters， 2019， 128： 148?154.

[6] JONNAVITHULA N， Lü Y C， ZHANG Z M. LiDAR odometry methodologies for autonomous driving： A survey [EB/OL]. [2021?09?21]. https：//arxiv.org/abs/2109.06120.

[7] 張堡瑞.基于激光雷達掃描和視覺識別結(jié)合的水面環(huán)境探測[D].綿陽：西南科技大學(xué)，2022.

[8] SHAN T X， ENGLOT B J. LeGO?LOAM： Lightweight and ground?optimized lidar odometry and mapping on variable terrain [C]// Proceedings of the 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems. New York： IEEE， 2018： 4758?4765.

[9] SHAN T， ENGLOT B， RATTI C， et al. LVI?SAM： Tightly?coupled lidar?visual?inertial odometry via smoothing and mapping [C]// 2021 IEEE International Conference on Robotics and Automation （ICRA）. New York： IEEE， 2021： 5692?5698.

[10] ZHANG H， LIU Z Q， WANG Y L. U?LOAM： A real?time 3D lidar SLAM system for water?surface scene applications [C]// 2022 IEEE International Conference on Unmanned Systems. New York： IEEE， 2022： 653?657.

[11] 林子祥，張斌，王嘉盛，等.激光雷達IMU緊耦合的室內(nèi)大范圍SLAM方法[J].現(xiàn)代電子技術(shù)，2023，46（20）：135?141.

[12] 李曉，馬社祥，李嘯.基于卷積神經(jīng)網(wǎng)絡(luò)的回環(huán)檢測算法[J].現(xiàn)代電子技術(shù)，2022，45（1）：72?76.

[13] CHEN G B， WANG B S， WANG X L， et al. PSF?LO： Parame?terized semantic features based lidar odometry [C]// Procee?dings of the 2021 IEEE International Conference on Robotics and Automation （ICRA）. New York： IEEE， 2021： 5056?5062.

[14] YIN D Y， ZHANG Q， LIU J B， et al. CAE?LO： LiDAR odometry leveraging fully unsupervised convolutional auto?encoder for interest point detection and feature description [EB/OL]. [2020?01?10]. http：//arxiv.org/abs/2001.01354.

[15] LI Z C， WANG N Y. DMLO： Deep matching LiDAR odometry [C]// Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. New York： IEEE， 2020： 6010?6017.

[16] LI Y， LIN W B， ZHA T J， et al. Efficient loop closure detection method for Lidar SLAM in challenging environment [C]// Proceedings of the 2021 IEEE International Conference on Control， Robotics and Cybernetics （CRC）. New York： IEEE， 2021： 196?199.

[17] BOSSE M， ZLOT R. Place recognition using keypoint voting in large 3D lidar datasets [C]// Proceedings of the 2013 IEEE International Conference on Robotics and Automation. New York： IEEE， 2013： 2677?2684.

[18] STEDER B， GRISETTI G， BURGARD W. Robust place recognition for 3D range data based on point features [C]// Procee?dings of the 2010 IEEE International Conference on Robotics and Automation. New York： IEEE， 2010： 1400?1405.

[19] STEDER B， RUHNKE M， GRZONKA S， et al. Place recognition in 3D scans using a combination of bag of words and point feature based relative pose estimation [C]// Proceedings of the 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. New York： IEEE， 2011： 1249?1255.

[20] HEWITT R A， MARSHALL J A. Towards intensity?augmented SLAM with LiDAR and ToF sensors [C]// Proceedings of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. New York： IEEE， 2015： 1956?1961.

[21] PARK C， MOGHADAM P， KIM S， et al. Elastic LiDAR fusion： Dense map?centric continuous?time SLAM [C]// Procee?dings of the 2018 IEEE International Conference on Robotics and Automation （ICRA）. New York： IEEE， 2018： 1206?1213.

[22] BERECZK N， DUCH A， NEMETH K， et al. Quad?kd trees： A general framework for kd trees and quad trees [J]. Theoretical computer science， 2016， 616： 126?140.

[23] KIM G， KIM A. Scan context： Egocentric spatial descriptor for place recognition within 3D point cloud map [C]// Proceedings of the 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems. New York： IEEE， 2018： 4802?4809.

[24] GEIGER A， LENZ P， URTASUN R. Are we ready for autonomous driving？ The KITTI vision benchmark suite [C]// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2012： 3354?3361.

[25] WANG Y， SUN Z Z， XU C Z， et al. LiDAR iris for loop?closure detection [C]// Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. New York： IEEE， 2020： 5769?5775.

作者簡介：王池華（1979—），男，湖北荊州人，高級工程師，研究方向為智能船舶、智慧港航。

陳" 倩（1984—），女，廣西桂林人，高級工程師，研究方向為智能感知、智能交通。

楊粵衡（2000—），男，湖南衡陽人，碩士研究生，研究方向為智能感知、自動駕駛。

唐" 欣（1988—），男，湖南永州人，博士研究生，高級工程師，研究方向為物聯(lián)網(wǎng)技術(shù)、無線通信及網(wǎng)絡(luò)。