RF-LIO: 面向高动态场景的紧耦合LiDAR惯导融合里程计
单位:西安交通大学
针对问题:
实际场景中动态因素的引入造成基于静态假设的LIO严重位姿漂移
提出方法:
提出基于自适应的多分辨率Range Image的动态点移除算法,并使用紧耦合的激光雷达惯导里程计,首先去除移动物体,然后将激光雷达扫描与子图相匹配,构建基于优先移除的面向高动态场景的LIO。
达到效果:
在不同动态程度的实际场景数据集中测试了系统的定位精度,RF-LIO的绝对轨迹精度相较于LOAM和LIO-SAM显著提升。所提出基于Range Image的动态点剔除算法可剔除场景中96%以上的动态点。
Abstract
SLAM被认为是智能车辆和移动机器人的一项基本能力。然而,目前大多数的激光雷达SLAM方法都是基于静态环境的假设。因此,在一个有多个移动物体的动态环境中的定位实际上是不可靠的。本文在LIO-SAM的基础上提出了一个动态SLAM框架RF-LIO,它增加了自适应的多分辨率Range Image,并使用紧耦合的激光雷达惯导里程计,首先去除移动物体,然后将激光雷达扫描与子图相匹配。因此,即使在高动态环境中,它也能获得准确的位姿。提出的RF-LIO在我们收集的数据集和开放的Urbanloco数据集上进行了评估。高动态环境下的实验结果表明,与LOAM和LIO-SAM相比,所提出的RF-LIO的绝对轨迹精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
Introduction
本文提出了一个新的移除优先的紧耦合激光雷达惯导里程计框架,即RF-LIO,以解决高动态环境下的SLAM问题。移除优先是指所提出的RF-LIO首先移除没有准确位姿的移动物体,然后采用扫描匹配。当新的扫描到达时,RF-LIO不会立即进行扫描匹配以获得准确的姿态,因为它很容易受到动态环境的影响。相反,我们使用紧耦合的IMU里程计来获得一个粗略的初始状态估计。然后,RF-LIO可以通过使用自适应分辨率Range Image来初步去除环境中的移动点。在初步去除移动点后,RF-LIO使用扫描匹配来获得相对更准确的位姿。通过这些迭代去除和扫描匹配的步骤,RF-LIO可以在高动态环境中最终获得准确的位姿。我们使用移动物体的移除率和绝对轨迹精度来评估RF-LIO在自我收集的数据集和开放的Urbanloco数据集上的表现。实验表明,与LOAM和LIO-SAM相比,RF-LIO的平均移动物体去除率为96.1%,RF-LIO的绝对轨迹精度可以分别提高90%和70%。
RF-LIO
1.系统框架
图2显示了RF-LIO的整体框架,它由三个主要模块组成。IMU预积分、特征提取和建图。首先,IMU预积分模块用于推断系统的运动并生成IMU观测。然后,特征提取模块对点云的运动失真进行补偿。边缘和平面特征是通过评估点的粗糙度来提取的。
建图模块是我们提出的方法的关键模块。为了在没有准确位姿的情况下首先实现移动物体的移除,有几个关键步骤。(i) 初始姿态是由IMU测距得到的。然后用IMU预积分和扫描匹配之间的误差来确定初始分辨率(即每个像素对应多少个角度的FOV)。(ii) RF-LIO使用这个初始分辨率,分别从当前激光雷达扫描和相应的子图中构建测距图像。(iii) 通过比较它们的可见度,删除子图的主要移动点。(iv) RF-LIO将激光雷达扫描与子图相匹配,并判断扫描匹配是否收敛。如果是收敛的,在图形优化后,最终的精细分辨率被用来去除当前关键帧中剩余的移动点。否则,将产生一个新的分辨率,并重复步骤(二)、(三)和(四)。
2.IMU预积分和初始位姿
我们首先将世界坐标系表示为W,将与机器人body坐标系重合的IMU坐标系表示为B,系统的状态可以表示为:
当IMU测量值到来时,通过IMU预积分得到从上一个关键帧k获得当前关键帧k+1的初始姿态:
3.IMU预积分误差和初始分辨率
在使用IMU进行航