从零入门激光SLAM（十九）——松耦合与紧耦合到底怎么区分

大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。随着知识的越来越多，越来越细，我准备整理一个自己的激光SLAM学习笔记专栏，从0带大家快速上手激光SLAM，也方便想入门SLAM的同学和小白学习参考，相信看完会有一定的收获。如有不对的地方欢迎指出，欢迎各位大佬交流讨论，一起进步。博主创建了一个科研互助群Q：772356582，欢迎大家加入讨论。

一、松耦合与紧耦合

1.1松耦合（Loosely Coupled）

在松耦合系统中，将传感器的算法看成黑箱，只考虑输出，不考虑内在性质。松耦合的方法是分别处理来自LiDAR和IMU的数据，然后在高层次上进行融合。具体来说：
1.独立处理：LiDAR和IMU的数据分别被独立处理。LiDAR提供位置和环境特征信息，而IMU提供短时间内的姿态和运动信息。
2.融合层：独立处理后的数据在高层次的融合层进行结合。例如，可以使用卡尔曼滤波器来融合两者的数据，从而提供更精确的位置和姿态估计。

• 优势
  1.实现简单：松耦合的方法相对简单，因为它们通常将LiDAR和IMU的数据独立处理，然后在高层次上进行融合。这种方式简化了算法设计和实现。
  2.模块化强：松耦合架构下，LiDAR和IMU可以作为独立的模块来开发和调试，方便单独优化和维护。
  3.灵活性高：由于LiDAR和IMU是独立处理的，如果需要替换或升级某一传感器，系统整体影响较小，具有较好的灵活性。
• 劣势
  1.精度较低：由于数据融合是在高层次进行的，可能导致信息融合不够充分，影响定位和地图构建的精度。
  2.时序同步问题：LiDAR和IMU数据独立处理，可能会存在时序同步问题，从而影响系统的整体性能。
  3.鲁棒性差：对环境变化和传感器误差的鲁棒性较差，因为独立处理可能无法充分利用各传感器的优势来补偿弱点。

  1.2 紧耦合（Tightly Coupled）

  紧耦合的方法则是更深层次的融合，直接在传感器数据的低层次进行整合。具体来说：
  1.联合处理：LiDAR和IMU的数据在一个共同的滤波器（如扩展卡尔曼滤波器或图优化方法）中联合处理。LiDAR的扫描数据和IMU的测量数据一起输入到滤波器中。
  2.互补校正：IMU提供高频率的短时间内精确运动估计，LiDAR则提供低频率但更精确的位置信息和环境特征。两者的数据互相补充和校正，从而提高整体系统的精度和鲁棒性。
• 优势

1. 高精度：紧耦合方法在低层次上融合LiDAR和IMU数据，能够更好地利用两者的互补优势，显著提高系统的定位和地图构建精度。
2. 时序同步好：紧耦合方法中，LiDAR和IMU的数据融合更紧密，可以更好地解决时序同步问题，提升整体性能。
3. 鲁棒性强：由于充分利用了LiDAR和IMU的互补特性，系统对环境变化和传感器误差的适应能力更强。

• 劣势

1. 实现复杂：紧耦合方法需要在算法设计上更复杂的处理，包括更复杂的数据融合算法和更高的计算要求，实现难度较大。
2. 开发周期长：由于系统复杂度增加，开发和调试时间较长，对团队的技术要求更高。
3. 调试困难：在紧耦合系统中，各部分高度依赖，出现问题时调试和定位问题会更加困难。

   二、松耦合LIO的实现

   原理：激光雷达里程计的结果作为状态变量，旋转R、位置p的观测值
   框架：
4. 同步IMU与LIDAR数据
5. IMU运动方程得到预测值
6. 利预测值对点云去除畸变
7. 预测值作为初始值进行迭代优化，最后得到观测值
8. 更新到卡尔曼滤波器

   

   
   松耦合 LIO 系统的代码实现主要分为三个部分:
   第一部分，需要将IMU 数据与雷达数据同步。
   第二部分，用ESKF对每个IMU 数据的预测值处理雷达的运动补偿。
   第三部分，应该从ESKF 中拿到预测的位姿数据，交给里程计算法，再将里程计配准之后的位姿放入ESKF中此外。
   LIO的松耦合与上一节IMU与GNSS的组合导航相似，因为只考虑激光雷达里程计的输出，本质为对R，p的直接观测。

   三、紧耦合LIO的实现

   3.1 步骤

• 同步IMU与LIDAR数据
• IMU运动方程得到预测值
• 利预测值对点云去除畸变
• 预测值作为初始值计算残差
• 观测残差和先验残差迭代更新直至收敛
• 更新到卡尔曼滤波器

  

详情请见...

 从零入门激光SLAM（十九）——松耦合与紧耦合到底怎么区分 - 古月居 (guyuehome.com)