【文献解析】LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

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：951026257，欢迎大家加入讨论。

LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
论文地址：
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9341176
代码地址：https://github.com/TixiaoShan/LIO-SAM

一、文章概述

1.问题导向

LOAM使用激光雷达和惯性测量单元(IMU)，达到了最先进的性能，自KITTI里程计基准网站发布以来，一直被评为基于激光雷达的最佳方法。尽管取得了成功，但LOAM仍然存在一些局限性——通过将数据保存在全局体素图中，通常很难执行环闭合检测并结合其他绝对测量，例如GPS，以进行姿态校正。当这个体素地图在特征丰富的环境中变得密集时，它的在线优化过程变得不那么有效。LOAM在大规模测试中也存在漂移，因为它的核心是基于扫描匹配的方法。

2.目标

我们提出了一个通过平滑和映射的紧密耦合激光雷达惯性里程计框架，LIOSAM，以解决上述问题。

3.摘要

我们提出了一个紧密耦合的激光雷达惯性里程计框架，通过平滑和映射，LIO-SAM，实现高精度，实时的移动机器人轨迹估计和地图构建。LIO-SAM在因子图上制定了激光惯性里程计，允许从不同来源将大量相对和绝对测量(包括环路闭合)作为因子纳入系统。从惯性测量单元(IMU)预积分估计的运动去斜点云，并产生一个初始猜测，为激光雷达里程计优化。得到的激光测距解用于估计IMU的偏置。为了确保实时的高性能，我们将旧的激光雷达扫描边缘化以进行姿态优化，而不是将激光雷达扫描与全局地图匹配。局部尺度而非全局尺度的扫描匹配显著提高了系统的实时性能，选择性地引入关键帧和有效的滑动窗口方法(将新关键帧注册到固定大小的先前“子关键帧”集)也是如此。所提出的方法在不同尺度和环境下从三个平台收集的数据集上进行了广泛的评估。

4.贡献

1.建立在因子图上的紧密耦合激光雷达惯性里程计框架，适用于多传感器融合和全局优化。
2.一种高效的、基于局部滑动窗口的扫描匹配方法，通过将有选择地选择的新关键帧注册到固定大小的先前子关键帧集来实现实时性能。
3.提出的框架通过各种规模、车辆和环境的测试进行了广泛的验证。

二、 方法解析

2.1 系统概述

机器人状态x可以写成:
 

该系统从 3D 激光雷达、IMU 和可选的 GPS 接收传感器数据。我们试图利用这些传感器的观测值来估计机器人的状态及其轨迹。这个状态估计问题可以表述为最大后验 (MAP) 问题。我们使用因子图来建模这个问题，因为与贝叶斯网络相比，它更适合执行推理。在高斯噪声模型的假设下，我们问题的 MAP 推理相当于求解非线性最小二乘问题 [18]。请注意，在不失一般性的情况下，所提出的系统还可以结合来自其他传感器的测量值，例如高度计的海拔或罗盘的航向。
我们引入了四种类型的因子以及一种用于因子图构建的变量类型。此变量表示机器人在特定时间的状态，归因于图的节点。四种类型的因子是
（a）IMU 预积分因子
（b）激光雷达里程计因子
（c）GPS 因子
（d）回环闭合因子。