Super odometry:以IMU为核心的激光雷达视觉惯性融合框架（ICRA2021）

Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments

作者：Shibo Zhao，Hengrui Zhang, Peng Wang, Lucas Nogueira，Sebastian Scherer

论文地址：https://arxiv.org/pdf/2104.14938.pdf

视频：https://sites.google.com/view/superodometry.

该里程计不同于传统的方案，主线程为IMU线程；结合了松耦合，紧耦合的优点。由视觉-惯性、雷达-惯性提供先验信息解决bias的估计问题，并且为IMU 里程计提供运动信息；并且该方案建立了一种八叉树代替静态 KD-tree来管理空间3D点。

摘要： 我们提出了 Super Odometry，一种高精度多模态传感器融合框架，提供了一种简单而有效的方法来融合多个传感器，例如 LiDAR、camera和 IMU 传感器，并在感知退化的环境中实现稳健的状态估计。与传统的传感器融合方法不同，Super Odometry 采用以 IMU 为中心的数据处理方案，它结合了松耦合和紧耦合的优点，并以粗到细的方式恢复运动。所提出的框架由三部分组成：IMU 里程计、视觉惯性里程计和激光惯性里程计。视觉惯性里程计和激光惯性里程计在约束 IMU 偏差之前提供位姿，并从 IMU 里程计接收运动预测。为了确保实时的高性能，我们应用了一个动态八叉树，与静态 KD-tree相比，它只消耗了 10% 的运行时间。提出的系统部署在无人机和地面机器人上，作为探索者团队为 DARPA 地下挑战所做努力的一部分，该团队分别在隧道和城市赛道 1 中获得了第一和第二名。

1 引言

多模态传感器融合对于自主机器人完成复杂和危险的任务至关重要，例如在地下环境中感知、工业检查和搜救。在这些 无GPS 的场景中，黑暗、空气中的模糊条件（灰尘、雾和烟雾）和缺乏感知特征是目前阻碍我们采用机器人系统实现长期自主的主要挑战。为了在这种环境中实现定位，基于激光雷达的里程计 [1]-[3] 似乎是机器人的合适选择，因为激光雷达传感器可以提供高保真 3D 测量。然而，在无结构的环境中，例如长隧道或存在遮挡物（例如雾、灰尘、烟雾），由于退化和异常值，基于激光雷达的方法难以提供可靠的运动估计。为了处理这些情况，还需要集成额外的传感器，尤其是camera。尽管如此，视觉相机的用例很大程度上仅限于光线不足的条件。因此，我们认为基于激光雷达的 [1]-[3]、基于视觉的 [4]、[5] 或基于激光雷达的视觉的 [6]、[7] SLAM 方法都不是具有挑战性的环境中的最佳选择。由于这些传感器是环境相关的，如果将它们用作主要传感器来构建 SLAM 系统，则很难实现稳健的性能。

在过去的十年中，多模态传感器融合非常流行，可以分为松耦合或紧耦合方法。如表 I 所示，松耦合方法 [1]、[3]、[8] 因其简单性、可扩展性和低计算成本而更受青睐。相比之下，紧耦合的方法 [2] 已证明其准确性和稳健的性能具有优势。然而，紧耦合的方法通常难以扩展其他传感器并实现传感模式之间的切换方案以应对各种环境。此外，紧密耦合的方法可能容易应对潜在的传感器故障，因为它们中的大多数只使用单个估计引擎 [8]。相比之下，松耦合的方法利用多个估计引擎之间分配传感器故障风险，并且应该具有更稳健的性能。然而，由于大多数松耦合方法采用帧到帧估计，它们在准确性和鲁棒性上仍然存在局限性。

受上述讨论的启发，我们提出了一个以 IMU 为中心的 SLAM 系统，它结合了紧耦合和松耦合的优点。系统设计遵循一个关键理解：IMU产生带有噪声的平滑测量，但很少有异常值，只要其他传感器可以很好地约束偏置漂移，就可以使其估计非常准确。因此，Super Odometry 是围绕 IMU 作为主要传感器而设计的。本文主要贡献如下：

1）我们提出了第一个以 IMU 为中心的传感器融合方案，可在极端和感知挑战的环境中实现准确的实时状态估计。

2）提议的方案结合了紧耦合和松耦合的优点，提供了一种简单但有效的方法来融合多个传感器。

3）我们建议使用有效的 3D 点组织（动态八叉树）&#x