Ouster能夠以比其他產(chǎn)品更低的價格、更大的規(guī)模、更好的分辨率實現(xiàn)建圖。取代了以軟件為中心的測繪策略，避免了對高精度GPS系統(tǒng)、車輪里程表或昂貴陀螺儀的需求。此外，Ouster OS1多光束閃光激光雷達在同其他激光雷達產(chǎn)生相同數(shù)量點的情況下，價格更便宜，體積更輕便。這意味著，無論是無人機、汽車還是機器人，Ouster的地圖系統(tǒng)都可以快速經(jīng)濟地部署在任何平臺上。

使用激光雷達傳感器制作高清地圖

激光雷達技術(shù)的最佳用途之一是測繪。有了激光雷達，就有了周圍一切的三維模型。

視頻為使用3個Ouster OS1傳感器掃描標志性的舊金山渡輪大廈

使用SLAM制作高清地圖

制作一張3D地圖所需要做的就是將在不同地方拍攝的激光雷達掃描序列對齊。但是，將它們排列起來的過程并不那么容易。如果激光雷達安裝在移動的平臺上，比如汽車上，便更加不容易。

過去，激光雷達制圖依賴于激光掃描儀，比如高精度GPS慣性導航系統(tǒng)（inertialnavigation system， INS）。利用GPS INS測量的位置和方位，可以將激光雷達點云對齊�，F(xiàn)代GPS INS使用諸如帶有實時運動學（RTK）校正信號的地面站等技術(shù)，GPSINS系統(tǒng)可以將位置精確到幾厘米之內(nèi)，而像手機等相對便宜的GPS精確距離可能有幾十米，可見現(xiàn)在GPS INS系統(tǒng)要好得多！但是，好的GPS INS系統(tǒng)非常貴，通常要數(shù)萬美元。

至于Ouster，他們不使用昂貴的GPS INS，與Ouster OS1相比，GPS INS的價格高出幾倍之多。但是，他們使用激光雷達數(shù)據(jù)本身來排列東西，這稱為同步定位和建圖（SLAM）。以前，計算機的速度還不夠快，無法使用激光雷達數(shù)據(jù)可靠地運行SLAM，但是現(xiàn)在，隨著SLAM技術(shù)和計算機硬件的發(fā)展，使激光雷達進行SLAM成為可能。

SLAM的原則是：對傳感器數(shù)據(jù)的最佳解釋是最簡單的解釋，對傳感器數(shù)據(jù)最簡單的解釋是發(fā)生在所有東西都對齊時。

測量激光雷達數(shù)據(jù)如何排列

調(diào)整點

大多數(shù)機器人算法可以歸結(jié)為兩個步驟。首先，定義一個叫做損失函數(shù)的函數(shù)，或者目標函數(shù)。第二，調(diào)整參數(shù)使函數(shù)最小化。

對于從激光雷達對準兩個點云，可以用以下方法定義目標函數(shù)。考慮將實測點云M移動到靜態(tài)場景點云S中，對于M中的每一點，找到S中最近的點，目標函數(shù)為M中每一點到對應點距離的平方和。通過旋轉(zhuǎn)和移動點云M來最小化目標函數(shù)。目標函數(shù)可以通過各種非線性最小二乘求解器最小化，如LevenbergMarquardt。在三維場景下，旋轉(zhuǎn)和平移總共有6個自由度。

在最小化損失函數(shù)之后，點云M會移動，這意味著相應的最近點可能已經(jīng)改變。為了處理這個問題，簡單地重復這個過程，直到最近的點不變。該算法稱為迭代最接近點（ICP）。尋找最近的點對于移動地圖工具和機器人來說非常有效，因為它們移動平穩(wěn)，所以可以對它們的位置有一個很好的猜測。所以最開始最接近的點很可能在優(yōu)化之后仍然是最接近的點。

在實際操作中，lidars點并不完全直接對應。相反，激光雷達從一些潛在的物理表面掃描樣本點。Ouster OS1不是找一個最近的點，而是找?guī)讉�，然后把一個平面擬合到這些點上。然后，不是最小化兩個點之間的距離，而是最小化一個點到一個平面的距離。還有其他一些先進的方法，如廣義ICP、surfels或正態(tài)分布變換。

每個Ouster OS1都有一個內(nèi)置慣性測量單元（IMU）。這是一種低成本的傳感器，類似于每一部智能手機。雖然不如高精度INS精確，但仍然非常有用。就像對齊點一樣，使用類似的策略合并IMU數(shù)據(jù)。首先，Ouster制定了一個目標函數(shù)來補償慣性測量（轉(zhuǎn)速和平動加速度）之間的差異。其次，優(yōu)化狀態(tài)使目標函數(shù)最小化。

把所有這些不同的目標函數(shù)合并成一個大函數(shù)。這叫做緊密耦合。一般來說，傳感器越多效果越好。

實時性能

由于其獨特的多光束閃光激光雷達設計，Ouster OS1每秒輸出超過100萬個點，是同類產(chǎn)品中最高的之一。不幸的是，高分辨率帶來了很高的計算復雜度。

Ouster的SLAM算法非常著名，因為它能夠在一個典型的桌面計算機CPU上實時運行。

在不要考慮目標函數(shù)的所有點的情況下，只考慮少數(shù)最好的點。這稱為特征提取，最好的點稱為特征點。

提取特征的一種方法是在點云最平坦的部分找到點。如前所述，一個目標功能策略是點對面ICP。直觀地說，與平面匹配良好的點應該位于平面本身。他們可以通過計算一個小鄰域內(nèi)的主成分分析來計算每個點周圍的平面度。然后，他們保留最好的，比方說，一千個最平坦的點，只要它們之間沒有兩個太接近，以確保他們得到一個均勻的點分布。

相對于幾何特征提取，激光雷達強度與基于圖像的特征提取方法相結(jié)合也是可能的。利用Ouster OS1可以捕獲二維相機圖像這一事實，使用基于深度學習的特征提取。這使得Ouster的算法更加健壯。

時間持續(xù)性

傳統(tǒng)的SLAM算法將一幀與下一幀對齊。然而，現(xiàn)實世界中的大多數(shù)傳感器并沒有以恰當?shù)乃俣容敵鲭x散幀。例如，慣性測量單元可以輸出1000赫茲的數(shù)據(jù)，但是每秒更新車輛的位置1000次是不可行的。OusterOS1以更高的速度輸出數(shù)據(jù)：64個點每秒可達到20，480次，其中每個像素列的時間戳略有不同。

以前基于lidar的SLAM方法只是使用0．1秒的數(shù)據(jù)應用幀對幀的點云對齊。在高速公路上，一輛汽車在這段時間內(nèi)可能移動了3米，導致點云變形。因此，這類方法傾向于使用外部傳感器，如車輪里程表，但車輪測程遠不如激光雷達測程精確。

對于可能以不同速率運行的多個高頻傳感器，Ouster OS1采用連續(xù)時間方法進行處理。Ouster OS1沒有像同時收集所有點一樣平移和旋轉(zhuǎn)整個點云，而是將飛行器的軌跡看作是時間的連續(xù)函數(shù)。

處理連續(xù)軌跡有兩種主要方法。第一，是非參數(shù)方法，如高斯過程（這里不詳細討論）。第二種更流行的方法是將軌跡參數(shù)化為樣條函數(shù)。使用這種方法，OusterOS1有一個合理數(shù)量的優(yōu)化變量，每秒只有10個變量，而不是數(shù)千個。同時，解決了運動畸變問題。

對于優(yōu)化問題，OusterOS1沒有將兩個幀對齊，而是考慮滑動窗口內(nèi)的所有點在時間上的關(guān)系，比如0．5秒長。該窗口每次向前滑動0．1秒。對于每一個點，都找到了空間中最近的幾個點，前提是它們在時間上不是太接近。這給了Ouster OS1相同的距離集合，研究人員可以通過更新每個相關(guān)節(jié)點實現(xiàn)最小化。

環(huán)路閉合問題

到目前為止，已經(jīng)討論了使用最近0．5秒數(shù)據(jù)的滑動窗口來估計軌跡。然而，即使是使用高精度傳感器，非常復雜的SLAM算法也會受到一些隨機不確定性的影響。因此，用這種方法確定的軌跡將不可避免地略微偏離車輛的真實軌跡。其結(jié)果是，當在一個非常大的環(huán)路中行駛時，即使車輛實際上已經(jīng)回到了它開始的位置，但是車輛的估計軌跡也可能不會在相同的位置結(jié)束。這就是所謂的環(huán)路閉合問題。

環(huán)路閉合依舊是大熱的研究領域。在Ouster中，他們使用基于快速傅里葉變換的位置識別和粗對準技術(shù)，研發(fā)了一種環(huán)路閉合的最新解決方案。然后，進行大點云對齊批量優(yōu)化，將多輛車的數(shù)據(jù)無縫融合到一個三維模型中。批處理優(yōu)化是完全封裝的，運行在云基礎設施上，并且具有高度可伸縮性。

得到的結(jié)果是一個清晰、詳細的3D地圖，隨著越來越多的車輛在同一區(qū)域行駛，它會逐漸變得更精細、更準確。

結(jié)論

大規(guī)模的三維制圖是困難的。Ouster能夠以比其他產(chǎn)品更低的價格、更大的規(guī)模、更好的分辨率實現(xiàn)建圖。取代了以軟件為中心的測繪策略，避免了對高精度GPS系統(tǒng)、車輪里程表或昂貴陀螺儀的需求。此外，Ouster OS1多光束閃光激光雷達在同其他激光雷達產(chǎn)生相同數(shù)量點的情況下，價格更便宜，體積更輕便。這意味著，無論是無人機、汽車還是機器人，Ouster的地圖系統(tǒng)都可以快速經(jīng)濟地部署在任何平臺上。