《智能驾驶之激光雷达算法详解》激光雷达 +IMU组合定位

激光里程计算法，仅凭激光点云估算激光雷达的运动状态，其精度显著受激光点云质量波动影响。IMU（惯性测量单元），作为广泛应用于机器人及汽车领域的传感器，集成了陀螺仪与加速度计，能精确捕捉并输出被测物体的角速度与加速度信息，进而通过积分运算推算出其在一定时间内的姿态与位置变化。然而，IMU在实际运作中易受多种干扰因素影响，尤其是加速度计的误差会随时间累积，导致导航精度下降。因此，常需借助外部信息融合策略，以强化IMU的定位精度。鉴于激光里程计依赖低频的环境感知进行定位，而IMU则通过高频的自身运动状态积分进行位姿估计，两者在功能上存在天然的互补性。众多学者因此致力于将激光里程计与IMU相结合，以实现高精度、实时性的定位。根据融合方式与原理的不同，这一领域的研究被细化为LiDAR+IMU松耦合与紧耦合两大方向。 激光雷达与IMU的松耦合定位策略，巧妙融合了激光里程计与IMU航位推算技术。两者独立运作，依托卡尔曼滤波、粒子滤波等先进框架，实现精准信息融合，最终精确输出定位结果。2019年，国助科技BXue团队创新性地提出IMU-AHFLO算法，该算法凭借点线特征或点云分布特征匹配的激光里程计，捕捉车辆在两帧点云间的位姿变化，随后，高频IMU数据携手车辆运动学方程，预测上述时刻的位姿变迁，最终，卡尔曼滤波器精准估算车辆新姿态。南昌大学的廖杰华则另辟蹊径，将LOAM算法与自适应粒子滤波技术巧妙结合，专为无人物流小车打造室内定位新方案。而Google的Cartographer算法，更是以分层优化为核心，前端运用无迹卡尔曼滤波器实现2D激光雷达与IMU数据的无缝融合，后端则聚焦于子地图构建与优化，辅以分支定界法，显著加速闭环检测，确保定位系统的高效与精准。 激