SGLC: 激光雷达SLAM的语义图引导全闭环框架

1. 项目介绍

SGLC（Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM）是一个基于语义图引导的激光雷达SLAM（同步定位与地图构建）闭环检测框架。该框架通过构建前景实例的语义图，并生成同时考虑语义图拓扑特性和背景外观特性的激光雷达扫描描述符，从而实现鲁棒的闭环检测和6自由度位姿估计。

2. 项目快速启动

环境准备

在开始之前，请确保您的系统中安装了以下依赖：

• Ubuntu 20.04 或 Ubuntu 18.04
• Eigen (3.3.7)
• PCL (1.10)
• Ceres-solver (2.1.0)

您需要根据官方指导安装这些库。

克隆项目

git clone [e-mail]:nubot-nudt/SGLC.git

编译项目

mkdir build
cd build
cmake ..
make -j8

闭环检测

编辑 config/config_kitti_graph.yaml 文件，设置以下参数：

eval_seq:
  cloud_path: "xx/kitti/sequences/08/velodyne/"
  label_path: "xx/SegNet4D_predicitions/kitti/sequences/08/predictions/"
  pairs_file: "../loop_data/pairs/pairs_kitti/neg_100/08.txt"
  out_file: "../out/kitti/08.txt"

然后运行以下命令进行闭环检测：

cd /SGLC/bin
./eval_lcd_seq

输出文件将位于 SGLC/out/ 目录下。

位姿估计

同样，编辑 config/config_kitti_graph.yaml 文件，设置以下参数：

eval_poses:
  cloud_path: "xx/kitti/sequences/08/velodyne/"
  label_path: "xx/SegNet4D_predicitions/kitti/sequences/08/predictions/"
  loop_poses_file: "xx/loop_data/loop/loop_distance4/08.txt"
  out_file: "../out/kitti/loop_distance4_08.txt"

然后运行以下命令进行位姿估计：

cd /SGLC/bin
./eval_loop_poses_pair

3. 应用案例和最佳实践

SGLC框架已经在多个数据集上进行了测试，包括KITTI、KITTI360、Ford campus和Apollo。以下是使用SGLC的一些最佳实践：

• 在使用不同数据集时，确保根据数据集特点调整配置文件中的参数。
• 对于闭环检测，可以尝试不同的距离和重叠标准来优化性能。
• 在位姿估计阶段，通过调整粗到细到精的注册方案参数，可以进一步提高位姿估计的准确性。

4. 典型生态项目

SGLC框架依赖于多个开源项目，以下是一些典型的生态项目：

• SSC: Semantic Scan Context for Large-Scale Place Recognition
• STD: Stable Triangle Descriptor for 3D place recognition
• KISS-ICP: In Defense of Point-to-Point ICP Simple, Accurate, and Robust Registration If Done the Right Way
• CVC-Cluster: Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Performance

通过集成和使用这些项目，SGLC能够提供更加鲁棒和高效的闭环检测能力。