ナビゲーションと地図作成

点群のレジストレーションとマップの作成、2 次元および 3 次元 SLAM、2 次元障害物検出

未知の環境を理解して目的地までナビゲートするために、ロボットは周囲を明確に把握している必要があります。GPS データがない場合は特に、ロボットが効果的な決断を下し、その環境を通るパスを計画するために、"自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムが役立つ可能性があります。

SLAM は次の 2 つのプロセスで構成されています。

位置推定 — 既知の環境におけるロボットの姿勢を推定します。
地図作成 — 既知のロボットの姿勢とセンサーデータを使用して、未知の環境のマップを作成します。

位置推定ではロボットが環境のマップをもつ必要があり、地図作成では姿勢の推定を適切に行う必要があります。SLAM プロセスでは、ロボットが自身の位置を推定しながら環境のマップを作成します。詳細については、MATLAB での点群 SLAM の実装を参照してください。

SLAM を実行するには、点群の前処理が必要です。Lidar Toolbox™ には、点群から特徴を抽出し、それらを使用して点群を相互にレジストレーションするための関数が用意されています。航空データの 3 次元 SLAM ワークフローで高速点特徴ヒストグラム (FPFH) 特徴抽出を使用する方法の例については、Aerial Lidar SLAM Using FPFH Descriptorsを参照してください。

2 次元 LiDAR スキャンを使用して SLAM を実行することもできます。2 次元 LiDAR スキャンのデータを lidarScan オブジェクトに格納することにより、スキャンマッチングを実行して姿勢を推定できます。詳細については、SLAM を使用した 2 次元 LiDAR スキャンからのマップの作成を参照してください。

Lidar Toolbox では、2 次元 SLAM、3 次元 SLAM、オンライン SLAM およびオフライン SLAM を含むさまざまなグラフベースの SLAM ワークフローがサポートされています。

アプリ

LiDAR レジストレーションアナライザー

Analyze results of lidar point cloud registration (R2024a 以降)

関数

すべて展開する

特徴の検出、抽出、マッチング

`detectLOAMFeatures`	Detect LOAM feature points from 3-D lidar data (R2022a 以降)
`detectISSFeatures`	Detect ISS feature points in point cloud (R2022a 以降)
`extractEigenFeatures`	点群セグメントから固有値ベースの特徴を抽出 (R2021a 以降)
`extractFPFHFeatures`	点群から高速点特徴ヒストグラム (FPFH) 記述子を抽出 (R2020b 以降)
`pcmatchfeatures`	点群の間の一致する特徴を検出 (R2020b 以降)

点群のレジストレーション

`pcregisterloam`	Register two point clouds using LOAM algorithm (R2022a 以降)
`pcregisterfgr`	Register two point clouds using FGR algorithm (R2022b 以降)
`pcregistericp`	ICP アルゴリズムを使用した 2 つの点群のレジストレーション
`pcregistercpd`	Register two point clouds using CPD algorithm
`pcregistercorr`	Register two point clouds using phase correlation (R2020b 以降)
`pcregisterndt`	Register two point clouds using NDT algorithm

姿勢の推定

`matchScans`	Estimate pose between two laser scans (R2020b 以降)
`matchScansGrid`	Estimate pose between two lidar scans using grid-based search (R2020b 以降)
`matchScansLine`	Estimate pose between two laser scans using line features (R2020b 以降)
`transformScan`	Transform laser scan based on relative pose (R2021a 以降)

マップの作成

`pcmaploam`	Create map of LOAM feature points for map building (R2022b 以降)
`pcmapsegmatch`	Map of segments and features for localization and loop closure detection (R2021a 以降)

2 次元 SLAM の実行

`lidarscanmap`	Simultaneous localization and mapping using 2-D lidar scans (R2022b 以降)
`addScan`	Add 2-D lidar scan to map (R2022b 以降)
`detectLoopClosure`	Detect loop closure in 2-D lidar scan map (R2022b 以降)
`addLoopClosure`	Add loop closure to the map (R2022b 以降)
`deleteLoopClosure`	Delete loop closure between 2-D lidar scans (R2022b 以降)
`poseGraph`	Create 2-D pose graph from lidar scan map (R2022b 以降)
`updateScanPoses`	Update absolute poses of 2-D lidar scans (R2022b 以降)
`findPose`	Find absolute pose of 2-D lidar scan in the map (R2022b 以降)
`copy`	Create a copy of `lidarscanmap` object (R2022b 以降)
`show`	Display 2-D lidar scans and lidar sensor trajectory (R2022b 以降)

結果の可視化

`pcshowpair`	Visualize difference between two point clouds
`pcplayer`	ストリーミング 3 次元点群データの可視化
`pcshowMatchedFeatures`	Display point clouds with matched feature points (R2020b 以降)

センサーモデル

`rangeSensor`	Simulate range-bearing sensor readings (R2020b 以降)
`lidarSensor`	Simulate lidar sensor readings (R2022a 以降)

格納

`lidarScan`	2 次元 LIDAR スキャンを保存するためのオブジェクトの作成 (R2020b 以降)
`eigenFeature`	固有値ベースの特徴を格納するためのオブジェクト (R2021a 以降)
`LOAMPoints`	Object for storing LOAM feature points (R2022a 以降)

トピック

MATLAB での点群 SLAM の実装
点群のレジストレーションと地図作成のワークフローを理解する。
Get Started with the Lidar Registration Analyzer App
Interactively compare results of point cloud registration techniques.
特徴を使用した 2 つの点群間の変換の推定
この例では、2 つの点群の間の剛体変換を推定する方法を示します。
点群の対応する特徴の照合と可視化
この例では、点群の間の対応する特徴を関数 pcmatchfeatures を使用して照合し、それらを関数 pcshowMatchedFeatures を使用して可視化する方法を示します。
Generate Lidar Point Cloud Data for Driving Scenario with Multiple Actors
This example shows you how to generate lidar point cloud data for a driving scene with roads, pedestrians, and vehicles created using a drivingScenario (Automated Driving Toolbox) object.

注目の例

Unreal Engine を使用した未踏環境における UAV の安全な着陸のシミュレーション

この例では、Unreal Engine® を使用して、未踏環境における無人航空機 (UAV) の安全な着陸操作をシミュレートする方法を説明します。未踏環境で安全に動作するには、UAV は自律的に安全に着陸できる機能を備えている必要があります。UAV がバッテリーやナビゲーションシステムの異常などの重大な異常を検出した場合、UAV は環境をスキャンし、安全な着陸ゾーンを決定し、障害物に衝突することなく安全に着陸できなければなりません。

ライブスクリプトを開く

Motion Compensation in 3-D Lidar Point Clouds Using Sensor Fusion

Compensate point cloud distortion due to ego vehicle motion by fusing data from Global Positioning System (GPS) and inertial measurement unit (IMU) sensors. The goal of this example is to compensate the distortion in the point cloud data and recreate the surroundings accurately.

ライブスクリプトを開く

Build a Map with Lidar Odometry and Mapping (LOAM) Using Unreal Engine Simulation

Build a map with the lidar odometry and mapping (LOAM) [1] algorithm by using synthetic lidar data from the Unreal Engine® simulation environment. In this example, you learn how to:

ライブスクリプトを開く

Map Indoor Area Using Lidar SLAM and Factor Graph

Implement offline lidar SLAM on collected lidar scans to map an indoor area using a factor graph and lidar scan map.

(Navigation Toolbox)

Build Map and Localize Using Segment Matching

Build a map with lidar data and localize the position of a vehicle on the map using SegMatch [1], a place recognition algorithm based on segment matching.

ライブスクリプトを開く

Feature-Based Map Building from Lidar Data

Demonstrates how to process 3-D lidar data from a sensor mounted on a vehicle to progressively build a map. Such a map is suitable for automated driving workflows such as localization and navigation. These maps can be used to localize a vehicle within a few centimeters.

ライブスクリプトを開く

Aerial Lidar SLAM Using FPFH Descriptors

Demonstrates how to implement the simultaneous localization and mapping (SLAM) algorithm for aerial mapping using 3-D features. The goal of this example is to estimate the trajectory of a robot and create a point cloud map of its environment.

ライブスクリプトを開く

Build Occupancy Map from 3-D Lidar Data Using SLAM

Demonstrates how to build a 2-D occupancy map from 3-D Lidar data using a simultaneous localization and mapping (SLAM) algorithm. This occupancy map is useful for localization and path planning for vehicle navigation. You can also use this map as a prebuilt map to incorporate sensor information.