Abstract This paper presents an approach to mobile robot 6D localization based on a 3D laser scanner in GPS-denied scenarios. Commonly, 6D localization using laser scanners is performed with the use of extraction and association of the features or by comparison of the whole scans (very often off-line) using the ICP algorithm or its modifications. However, in some unstructured non-urbanized rough terrain environments, feature extraction does not seem to be reliable enough. For such kind of environment, we present a new method to mobile robot localization in GPS-denied applications, called PSD (Point-to-Surfel Distance). Unlike state of the art localization methods using laser scanners, we consider every single laser scanner measurement as an observation and use Point-to-Surfel Distance for correction of position and orientation of the robot. Mobile robot localization is based on a specific representation of the terrain in the 2.5D surfel map (terrain height and inclination). The simulation tests compared our method using extended Kalman filter (EKF) and single laser scanner measurements with an up-to-date method using particle filter (PF) and comparing the scan lines with the reference map and with another method using Gaussian mixture maps. The tests confirmed that the proposed method provides satisfying results for GPS-denied scenarios in rough terrain without extractable landmarks and our method is thirty times faster than the PF method (serial implementation). KITTI benchmark tests and real terrain experiments confirmed its usefulness and advantages as well.

中文翻译：

---

PSD – 基于 2.5D 地图和 GPS 拒绝场景中新型激光扫描仪的无自然和人工地标的移动机器人 6D 定位概率算法

摘要 本文提出了一种在 GPS 拒绝场景下基于 3D 激光扫描仪的移动机器人 6D 定位方法。通常，使用激光扫描仪的 6D 定位是通过使用特征的提取和关联或通过使用 ICP 算法或其修改的整个扫描（通常是离线）进行比较来执行的。然而，在一些非结构化、非城市化的崎岖地形环境中，特征提取似乎不够可靠。对于这种环境，我们提出了一种在 GPS 拒绝应用程序中进行移动机器人定位的新方法，称为 PSD（点到冲浪距离）。与使用激光扫描仪的最先进的定位方法不同，我们将每一次激光扫描仪测量视为一次观察，并使用点到表面距离来校正机器人的位置和方向。移动机器人定位基于 2.5D 表面地图中地形的特定表示（地形高度和倾斜度）。模拟测试将我们使用扩展卡尔曼滤波器 (EKF) 和单激光扫描仪测量的方法与使用粒子滤波器 (PF) 并将扫描线与参考图进行比较的最新方法以及使用高斯混合图的另一种方法进行了比较。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。5D 表面贴图（地形高度和倾斜度）。模拟测试将我们使用扩展卡尔曼滤波器 (EKF) 和单激光扫描仪测量的方法与使用粒子滤波器 (PF) 并将扫描线与参考图进行比较的最新方法以及使用高斯混合图的另一种方法进行了比较。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。5D 表面贴图（地形高度和倾斜度）。模拟测试将我们使用扩展卡尔曼滤波器 (EKF) 和单激光扫描仪测量的方法与使用粒子滤波器 (PF) 并将扫描线与参考图进行比较的最新方法以及使用高斯混合图的另一种方法进行了比较。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。模拟测试将我们使用扩展卡尔曼滤波器 (EKF) 和单激光扫描仪测量的方法与使用粒子滤波器 (PF) 并将扫描线与参考图进行比较的最新方法以及使用高斯混合图的另一种方法进行了比较。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。模拟测试将我们使用扩展卡尔曼滤波器 (EKF) 和单激光扫描仪测量的方法与使用粒子滤波器 (PF) 并将扫描线与参考图进行比较的最新方法以及使用高斯混合图的另一种方法进行了比较。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。测试证实，所提出的方法在没有可提取地标的粗糙地形中为 GPS 拒绝场景提供了令人满意的结果，并且我们的方法比 PF 方法（串行实现）快 30 倍。KITTI 基准测试和真实地形实验也证实了它的实用性和优势。