多传感器融合SLAM------松耦合与紧耦合

滴滴哒哒答答

已于 2025-03-18 20:10:11 修改

阅读量1.8k

点赞数 7

分类专栏： SLAM 文章标签：人工智能

于 2024-10-15 20:27:01 首次发布

本文链接：https://blog.csdn.net/m0_49384824/article/details/142962615

版权

SLAM 专栏收录该内容

3 篇文章

订阅专栏

一、松耦合与紧耦合

1.松耦合（Loosely Coupled）

松耦合 LIO 中，LIDAR 和 IMU 的观测量通常被独立处理。即分别处理来自 LiDAR 和 IMU 的观测数据，然后在高层次 Pose（Position + Orientation）上进行融合。

松耦合通常的思路是首先处理 IMU 的观测数据得到高频的位姿（Pose）信息，将高频的位姿信息用于 LiDAR 观测数据的去畸变和LIDAR 点云配准的初值，然后使用滤波的方式将IMU 观测数据处理得到的高频位姿信息（预测）和 LIDAR 点云配准得到的位姿信息（观测）融合，得到更加精确的位姿信息。

松耦合相关的研究成果有 LOAM (with IMU)，LeGO-LOAM等；但松耦合 LIO 对 LiDAR 和 IMU 的融合仅体现在结果（Pose）层面，没有考虑两种观测数据间的内在约束，且依然无法解决一些退化场景问题。

2.紧耦合（Tightly Coupled）

紧耦合 LIO 中， LiDAR 和 IMU 的原始观测会被放到一起联合处理、考虑其内在联系并互相影响，是在低层次传感器观测数据上进行融合。

紧耦合通常的思路是首先将 IMU 观测数据经过处理后用于 LiDAR 观测数据的去畸变，然后 LiDAR 观测和 IMU 观测会被一起丢到某种形式的状态估计模型中，并以最小化 LiDAR 观测和 IMU 观测的总体误差为目的，估计出最终的 Position、Orientation、Velocity、Bias、Gravity 等状态量。

其中，IMU 数据通常以预积分的形式进行处理；对 Bias 的估计相当于用 LiDAR 观测反过来影响 IMU 的状态量；对 Velocity 和 Bias 这些状态量的估计体现了紧耦合的思想之一 —— 充分考虑观测之间的内在约束，而非仅仅对 Position，Rotation 这样的结果做融合；所谓“某种形式的状态估计模型”通常是滑窗优化（Sliding Window Optimization）或者迭代误差状态卡尔曼滤波（iESKF），前者能够批量估计近期多个时刻的状态量，后者则以迭代卡尔曼滤波（iEKF）为基础框架递归式地估计当前时刻的状态量。滑窗优化和迭代误差状态卡尔曼滤波，是实现紧耦合 LIO 的两种主流方法。

这里紧耦合体现在：使用 imu 预测的先验位姿进行点云残差的计算，随后最小化总体误差！

紧耦合 LIO 相关的研究成果有 LIOM（LIO-Mapping）、LINS、LIO-SAM、LiLi-OM、Fast-Lio1&2、Faster-Lio等。紧耦合充分考虑了 LiDAR 观测和 IMU 观测的内在约束性，互相影响，共同决定最终的结果，理论上，能够应对松耦合无法解决的退化场景问题，比如长隧道环境、剧烈运动环境等。