FAST-LIO论文阅读
零、摘要
本文提出了一种计算效率高、鲁棒的激光雷达-惯性里程计框架。我们利用紧密耦合的迭代扩展卡尔曼滤波器将激光雷达特征点与IMU数据融合,从而在快速运动、噪声或杂波环境中实现鲁棒导航。为了降低在大量测量条件下的计算量,我们提出了一个新的计算卡尔曼增益的公式。新公式的计算量不再依赖于测量维数,而是依赖于状态维数。提出的方法及其实现在各种室内和室外环境中进行了测试。在所有的测试中,我们的方法产生了可靠的实时导航结果:在一台四旋翼机载计算机上运行,它在一次扫描中融合了超过1200个有效特征点,并在25毫秒内完成了iEKF步骤的所有迭代。我们的代码在Github上是开源的。
一、介绍
- 相机相比于激光雷达的一些缺陷,如:缺乏深度测量,对光照敏感。
- 固态激光雷达的优点:成本低,重量轻,性能高,适用于无人机。
- 激光雷达+IMU的一些问题:在嘈杂环境中容易退化,计算量大(点多),存在运动畸变,无人机螺旋桨和马达的持续旋转也会给IMU的测量带来显著的噪声。
- FAST-LIO介绍:
a. 防止退化采用紧耦合迭代卡尔曼滤波器来融合激光雷达特征点和IMU测量值,提出了 一种形式的反向传播过程来补偿运动失真;
b. 提出了一种新的卡尔曼增益计算公式,降低计算量。
二、相关工作
- LOAM及其变体:适用于结构化环境和大视场的激光雷达,但非常容易受到无特征环境或小视场激光雷达的影响。
- 松耦合LIO:扫描配准与数据融合的分离降低了计算量。然而,它忽略了系统的其他状态(例如速度)和新扫描的姿态之间的关系。此外,在无特征环境下,扫描配准会在一定方向上退化,导致后期融合不可靠。
- 紧耦合LIO:与松耦合方法不同,紧耦合的LIO通常将激光雷达的原始特征点(而不是扫描配准结果)与IMU数据融合。紧耦合LIO有两种主要方法:基于优化和基于滤波器。
- 论文的方法属于紧耦合方法。采用迭代扩展卡尔曼滤波器来减小线性化误差。卡尔曼滤波器(及其变体)的时间复杂度为 O ( m 2 ) O(m^2) O(m2),其中m为测量维数,这可能导致在处理大量的LiDAR测量时计算量非常高。下采样会减少测量的数量,但以信息损失为代价。可以通过提取和拟合类似的地平面,减少测量的数量。然而,这并不适用于地面可能不总是出现的空中应用。
三、方法
A.框架概述
1. 一些重要的符号
2. 流程框架
B.系统描述
1. 符号定义
2. 连续模型
a. LiDAR和IMU的外参
I T L = ( I R L , I p L ) {}^{I}\mathbf{T}_{L}=\left({}^{I}\mathbf{R}_{L},{}^{I}\mathbf{p}_{L}\right) ITL=(IRL,IpL)
b. IMU运动学模型
G p ˙ I = G v I G v ˙ I = G R I ( a m − b a − n a ) + G g G g ˙ = 0 G R ˙ I = G R I [ ω m − b ω − n ω ] ∧ b ˙ ω = n b ω b ˙ a = n b a \begin{align*}^G\dot{\mathbf p}_I &= {^G\mathbf v}_I \\ {^G\dot{\mathbf v}_I}&= {^G\mathbf R}_I\left(\mathbf a_m-\mathbf b_\mathbf a-\mathbf n_\mathbf a\right)+{^G\mathbf g} \\ ^G\dot{\mathbf g} &= \mathbf0 \\ {}^{G}\dot{\mathbf{R}}_{I} & = {}^{G}\mathbf{R}_{I}\bigl[\boldsymbol{\omega}_{m}-\mathbf{b}_{\boldsymbol{\omega}}-\mathbf{n}_{\boldsymbol{\omega}}\bigr]_{\wedge}\\ \dot{\mathbf{b}}_{\boldsymbol{\omega}}&=\mathbf{n}_{\mathbf{b}\boldsymbol{\omega}}\\ \dot{\mathbf{b}}_{\mathbf{a}}&=\mathbf{n}_{\mathbf{b}\mathbf{a}}\end{align*} Gp˙IGv˙IGg˙GR˙Ib˙ωb˙a=GvI=GRI(am−ba−na)+Gg=0=GRI[ωm−bω−nω]∧=nbω=nba
c. 离散模型
M
=
S
O
(
3
)
×
R
15
,
dim
(
M
)
=
18
\mathcal{M}=SO(3)\times\mathbb{R}^{15},\dim(\mathcal{M})=18 \\
M=SO(3)×R15,dim(M)=18
x
≐
[
G
R
I
T
G
p
I
T
G
v
I
T
b
ω
T
b
a
T
G
g
T
]
T
∈
M
u
≐
[
ω
m
T
a
m
T
]
T
w
≐
[
n
ω
T
n
a
T
n
b
ω
T
n
b
a
T
]
T
\begin{align*} \mathbf{x} &\doteq\begin{bmatrix}G\mathbf{R}_I^T&G\mathbf{p}_I^T&^G\mathbf{v}_I^T&\mathbf{b}_\omega^T&\mathbf{b}_\mathbf{a}^T&^G\mathbf{g}^T\end{bmatrix}^T\in\mathcal{M} \\ \mathbf{u}&\doteq\begin{bmatrix}\boldsymbol{\omega}_m^T&\mathbf{a}_m^T\end{bmatrix}^T\\\mathbf{w}&\doteq\begin{bmatrix}\mathbf{n}_{\boldsymbol{\omega}}^{T}&\mathbf{n}_{\mathbf{a}}^{T}&\mathbf{n}_{\mathbf{b}\boldsymbol{\omega}}^{T}&\mathbf{n}_{\mathbf{ba}}^{T}\end{bmatrix}^{T}\end{align*}
xuw≐[GRITGpITGvITbωTbaTGgT]T∈M≐[ωmTamT]T≐[nωTnaTnbωTnbaT]T
d.激光雷达测量数据预处理
激光雷达测量的是点在其自身坐标系下的坐标,由于原始的雷达点在非常高的速率下采集的,所以新点一接收到就处理是不可能的。更实际的方法是在一定时间内积累这些点,并一次性处理它们。也就是每获得一帧点云再进行处理。处理方式是提取平面点和角点这样的特征点。假设有m个特征点,每个特征点的采样时间为
ρ
j
∈
(
t
k
−
1
,
t
k
]
ρ_j ∈ (t_{k−1}, t_k]
ρj∈(tk−1,tk]并表示为
L
j
p
f
i
{}^{L_j}p_{f_i}
Ljpfi,其中
L
j
L_j
Lj为
ρ
j
ρ_j
ρj时刻的激光雷达坐标。同时在一帧激光雷达中有多个IMU测量,每个在
τ
i
∈
[
t
k
−
1
,
t
k
]
τ_i ∈ [t_{k−1},t_{k}]
τi∈[tk−1,tk]处采样,每个都有
离散模型中相应的状态
x
i
x_i
xi。注意,最后一个LiDAR特征点是扫描的结束,即,
ρ
m
=
t
k
ρ_m = t_k
ρm=tk,而IMU测量可能不一定与扫描的开始或结束对齐。
3. 状态估计
论文使用IEKF实现状态估计,并且在状态估计的切空间中表征估计协方差。假设在
t
k
−
1
t_{k-1}
tk−1时最后一次雷达扫描的最佳状态估计为
x
‾
k
−
1
\overline{x}_{k-1}
xk−1,协方差矩阵为
P
‾
k
−
1
\overline{P}_{k-1}
Pk−1,其中
P
‾
k
−
1
\overline{P}_{k-1}
Pk−1表示如下定义的随机误差状态向量的协方差:
a.前向传播
其中
∆
t
=
τ
i
+
1
−
τ
i
∆t = τ_{i+1} − τ_{i}
∆t=τi+1−τi
为了传播协方差,论文使用下面获得的误差状态动态模型:
F
x
~
F_{\widetilde{x}}
Fx
和
F
w
F_w
Fw的计算过程见附录A
所以有协方差的传播公式:
P
^
i
+
1
=
F
x
~
P
^
i
F
x
~
T
+
F
w
Q
F
w
T
;
P
^
0
=
P
ˉ
k
−
1
.
\widehat{\mathbf{P}}_{i+1}=\mathbf{F}_{\widetilde{\mathbf{x}}}\widehat{\mathbf{P}}_{i}\mathbf{F}_{\widetilde{\mathbf{x}}}^{T}+\mathbf{F}_{\mathbf{w}}\mathbf{Q}\mathbf{F}_{\mathbf{w}}^{T};\widehat{\mathbf{P}}_{0}=\bar{\mathbf{P}}_{k-1}.
P
i+1=Fx
P
iFx
T+FwQFwT;P
0=Pˉk−1.
这个传播过程一直到新一帧到来。其中的传播状态和协方差分别表示为
x
^
k
,
P
^
k
\hat{x}_k,\hat{P}_k
x^k,P^k,其中
P
^
k
\hat{P}_k
P^k表示真值
x
k
x_k
xk和状态传播值
x
^
k
\hat{x}_k
x^k之间误差的协方差。
b.反向传播和运动补偿
由于特征点采集的时间不同(特征点采集时间
ρ
j
ρ_j
ρj<
t
k
t_k
tk),所以会产生运动畸变,这就需要进行运动补偿,反向传播公式如下:
x
ˇ
j
−
1
=
x
ˇ
j
(
−
Δ
t
f
(
x
ˇ
j
,
u
j
,
0
)
)
\check{\mathbf{x}}_{j-1}=\check{\mathbf{x}}_{j}(-\Delta t\mathbf{f}(\check{\mathbf{x}}_{j},\mathbf{u}_{j},\mathbf{0}))
xˇj−1=xˇj(−Δtf(xˇj,uj,0))
后向传播是在特征点的采集频率下执行的,该频率通常远高于IMU速率。对于在两个IMU测量之间采样的所有特征点,使用左侧IMU测量作为反向传播中的输入(这句话为理解下面三个方程的关键)。此外,注意到
f
(
x
j
,
u
j
,
0
)
f(x_j,u_j,0)
f(xj,uj,0)的噪声为零,反向传播可以被简化为:
I
k
p
ˇ
I
j
+
1
=
I
k
p
ˇ
I
j
−
I
k
v
ˇ
I
j
Δ
t
,
s
.
f
.
I
k
p
ˇ
I
m
=
0
;
I
k
v
ˇ
I
j
−
1
=
I
k
v
ˇ
I
j
−
I
k
R
ˇ
I
j
(
a
m
i
−
1
−
b
^
a
k
)
Δ
t
−
I
k
g
^
k
Δ
t
,
s
.
f
.
I
k
v
ˇ
I
m
=
G
R
^
I
k
T
G
v
^
I
k
,
I
k
g
^
k
=
G
R
^
I
k
T
G
g
^
k
;
I
k
R
ˇ
I
j
−
1
=
I
k
R
ˇ
I
j
E
x
p
(
(
b
^
ω
k
−
ω
m
i
−
1
)
Δ
t
)
,
s
.
f
.
I
k
R
I
m
=
I
.
{}^{I_k}\check{\mathbf{p}}_{I_{j+1}}={}^{I_k}\check{\mathbf{p}}_{I_j}-{}^{I_k}\check{\mathbf{v}}_{I_j}\Delta t,\quad s.f.{}^{I_k}\check{\mathbf{p}}_{I_m}=\mathbf{0}; \\ \begin{gathered} {}^{I_{k}}\check{\mathbf{v}}_{I_{j-1}}={}^{I_{k}}\check{\mathbf{v}}_{I_{j}}-{}^{I_{k}}\check{\mathbf{R}}_{I_{j}}(\mathbf{a}_{m_{i-1}}-\widehat{\mathbf{b}}_{\mathbf{a}_{k}})\Delta t-{}^{I_{k}}\widehat{\mathbf{g}}_{k}\Delta t, \\ s.f.{}^{I_{k}}\check{\mathbf{v}}_{I_{m}}={}^{G}\widehat{\mathbf{R}}_{I_{k}}^{T}{}^{G}\widehat{\mathbf{v}}_{I_{k}},{}^{I_{k}}\widehat{\mathbf{g}}_{k}={}^{G}\widehat{\mathbf{R}}_{I_{k}}^{T}{}^{G}\widehat{\mathbf{g}}_{k}; \end{gathered} \\ {}^{I_k}\check{\mathbf{R}}_{I_{j-1}}={}^{I_k}\check{\mathbf{R}}_{I_j}\mathrm{Exp}((\widehat{\mathbf{b}}_{\mathbf{\omega}_k}-\mathbf{\omega}_{m_{i-1}})\Delta t),\quad s.f.{}^{I_k}\mathbf{R}_{I_m}=\mathbf{I}.
IkpˇIj+1=IkpˇIj−IkvˇIjΔt,s.f.IkpˇIm=0;IkvˇIj−1=IkvˇIj−IkRˇIj(ami−1−b
ak)Δt−Ikg
kΔt,s.f.IkvˇIm=GR
IkTGv
Ik,Ikg
k=GR
IkTGg
k;IkRˇIj−1=IkRˇIjExp((b
ωk−ωmi−1)Δt),s.f.IkRIm=I.
其中
ρ
j
−
1
∈
[
τ
i
−
1
,
τ
i
)
,∆
t
=
ρ
j
−
ρ
j
−
1
,
s
.
f
.
ρ_{j−1} ∈ [τ_{i−1}, τ_i),∆t = ρ_j − ρ_{j−1},s.f.
ρj−1∈[τi−1,τi),∆t=ρj−ρj−1,s.f.means “starting from”.
通过上三个方程就能获得激光雷达
ρ
j
ρ_j
ρj时刻和
t
k
t_k
tk时刻的相对位姿:
I
k
T
ˇ
I
j
=
(
I
k
R
ˇ
I
j
,
I
k
p
ˇ
I
j
)
{}^{I_k}\check{T}_{I_j}=({}^{I_k}\check{R}_{I_j},{}^{I_k}\check{p}_{I_j})
IkTˇIj=(IkRˇIj,IkpˇIj),
这个相对姿态可以将局部测量
L
j
p
f
j
{}^{L_j}{p}_{f_j}
Ljpfj投影到扫描结束端
L
k
p
f
j
{}^{L_k}{p}_{f_j}
Lkpfj
L
k
p
f
j
=
I
T
L
−
1
I
k
T
ˇ
I
j
I
T
L
L
j
p
f
j
.
{}^{L_k}\mathbf{p}_{f_j}={}^{I}\mathbf{T}_{L}^{-1I_k}\check{\mathbf{T}}_{I_j}{}^{I}\mathbf{T}_{L}{}^{L_j}\mathbf{p}_{f_j}.
Lkpfj=ITL−1IkTˇIjITLLjpfj.
然后就可以利用
L
k
p
f
j
{}^{L_k}{p}_{f_j}
Lkpfj去构造残差。(去畸变的思路和LOAM差不多)
c. 残差计算
通过上一步的运动补偿,可以获得所有在同一时刻
t
k
t_k
tk采样得到的特征点集
{
L
k
p
f
j
{}^{L_k}{p}_{f_j}
Lkpfj},并用它来构造残差。假设当前迭代卡尔曼滤波的迭代数为
k
k
k,其对应的状态为
x
^
k
k
\hat{x}_k^k
x^kk。当
k
=
0
,
x
^
k
k
=
x
^
k
k=0,\hat{x}_k^k=\hat{x}_k
k=0,x^kk=x^k,传播的预测状态用方程为
所以特征点集{
L
k
p
f
j
{}^{L_k}{p}_{f_j}
Lkpfj}可以通过如下方式变换到全局坐标下。
G
p
^
f
j
κ
=
G
T
^
I
k
κ
I
T
L
L
k
p
f
j
;
j
=
1
,
⋯
,
m
.
{}^G\widehat{\mathbf{p}}_{f_j}^{\kappa}={}^G\widehat{\mathbf{T}}_{I_k}^{\kappa I}\mathbf{T}_L{}^{L_k}\mathbf{p}_{f_j};j=1,\cdots,m.
Gp
fjκ=GT
IkκITLLkpfj;j=1,⋯,m.
接下来就是计算点—线,点—面的残差。
z
j
κ
=
G
j
(
G
p
^
f
j
κ
−
G
q
j
)
\mathbf{z}_j^{\kappa}=\mathbf{G}_j\left(\mathbf{}^G\widehat{\mathbf{p}}_{f_j}^{\kappa}-\mathbf{}^G\mathbf{q}_j\right)
zjκ=Gj(Gp
fjκ−Gqj)
G
p
^
f
j
κ
{}^G\widehat{\mathbf{p}}_{f_j}^{\kappa}
Gp
fjκ表示特征点的全局坐标系坐标,
G
q
j
\mathbf{}^G\mathbf{q}_j
Gqj表示线/面上的点,
G
j
\mathbf{G}_j
Gj表示线/面特征,
z
j
κ
\mathbf{z}_j^{\kappa}
zjκ表示残差。
方法和LOAM中类似。
d.迭代状态更新
为了将残差
z
j
κ
\mathbf{z}_j^{\kappa}
zjκ和IMU预测状态
x
^
k
\hat{x}_k
x^k,协方差
P
^
k
\hat{P}_k
P^k融合,需要将残差
z
j
κ
\mathbf{z}_j^{\kappa}
zjκ与真值
x
k
x_k
xk和测量噪声联系起来的测量模型线性化。测量噪声来源于测量点
L
j
p
f
j
{}^{L_j}{p}_{f_j}
Ljpfj时的雷达测距和定向噪声
L
j
n
f
j
{}^{L_j}{n}_{f_j}
Ljnfj。从测量点
L
j
p
f
j
{}^{L_j}{p}_{f_j}
Ljpfj中去除这一噪声,就得到了真实点的位置。
L
j
p
f
j
gt
=
L
j
p
f
j
−
L
j
n
f
j
{}^{L_j}\mathbf{p}_{f_j}^{\text{gt}}={}^{L_j}\mathbf{p}_{f_j}-{}^{L_j}\mathbf{n}_{f_j}
Ljpfjgt=Ljpfj−Ljnfj
这个真实点带入残差方程理应结果为0,即
0
=
h
j
(
x
k
,
L
j
n
f
j
)
=
G
j
(
G
T
I
k
I
k
T
ˇ
I
j
I
T
L
(
L
j
p
f
j
−
L
j
n
f
j
)
−
G
q
j
)
\mathbf{0=h}_j\bigl(\mathbf{x}_k,{}^{L_j}\mathbf{n}_{f_j}\bigr)\mathbf{=G}_j\bigl({}^G\mathbf{T}_{I_k}{}^{I_k}\check{\mathbf{T}}_{I_j}{}^I\mathbf{T}_L\bigl(^{L_j}\mathbf{p}_{f_j}-{}^{L_j}\mathbf{n}_{f_j}\bigr)\mathbf{-}^G\mathbf{q}_j\bigr)
0=hj(xk,Ljnfj)=Gj(GTIkIkTˇIjITL(Ljpfj−Ljnfj)−Gqj)
在
x
^
k
k
\hat{x}_k^k
x^kk处进行一阶近似(这一部分对应于EKF的线性化)
0
=
h
j
(
x
k
,
L
j
n
f
j
)
≃
h
j
(
x
^
k
κ
,
0
)
+
H
j
κ
x
~
k
κ
+
v
j
=
z
j
κ
+
H
j
κ
x
~
k
κ
+
v
j
\begin{aligned} 0& =\mathbf{h}_{j}\left(\mathbf{x}_{k},{}^{L_{j}}\mathbf{n}_{f_{j}}\right)\simeq\mathbf{h}_{j}\left(\widehat{\mathbf{x}}_{k}^{\kappa},\mathbf{0}\right)+\mathbf{H}_{j}^{\kappa}\widetilde{\mathbf{x}}_{k}^{\kappa}+\mathbf{v}_{j} \\ &=\mathbf{z}_j^\kappa+\mathbf{H}_j^\kappa\widetilde{\mathbf{x}}_k^\kappa+\mathbf{v}_j \end{aligned}
0=hj(xk,Ljnfj)≃hj(x
kκ,0)+Hjκx
kκ+vj=zjκ+Hjκx
kκ+vj
其中,
H
j
k
H_j^k
Hjk是
x
~
k
κ
\widetilde{\mathbf{x}}_k^\kappa
x
kκ关于
h
j
h_j
hj的雅可比矩阵,
x
~
k
κ
\widetilde{\mathbf{x}}_k^\kappa
x
kκ取值为0,
v
j
∈
N
(
0
,
R
j
)
{\mathbf{v}}_{j}\in{\mathcal{N}}(\mathbf{0},\mathbf{R}_{j})
vj∈N(0,Rj)来自测量噪声
L
j
n
f
j
{}^{L_j}\mathbf{n}_{f_j}
Ljnfj
注意:先验
x
k
x_k
xk通过正向传播获得,将其线性化
其中
J
k
J^k
Jk
构建MAP
得到标准的迭代卡尔曼滤波器
定义
H
=
[
H
1
κ
T
,
⋯
,
H
m
κ
T
]
T
,
R
=
d
i
a
g
(
R
1
,
⋯
R
m
)
,
P
=
(
J
κ
)
−
1
P
^
k
(
J
κ
)
−
T
,
a
n
d
z
k
κ
=
[
z
1
κ
T
,
⋯
,
z
m
κ
T
]
T
\mathbf{H}=[\mathbf{H}_{1}^{\kappa^{T}},\cdots,\mathbf{H}_{m}^{\kappa^{T}}]^{T},\\ \mathbf{R=diag}(\mathbf{R}_{1},\cdots\mathbf{R}_{m}),\\P=\begin{aligned} (\mathbf{J}^{\kappa})^{-1}\widehat{\mathbf{P}}_{k}(\mathbf{J}^{\kappa})^{-T},\mathrm{and \quad}\mathbf{z}_{k}^{\kappa}=\left[\mathbf{z}_{1}^{\kappa^{T}},\cdots,\mathbf{z}_{m}^{\kappa^{T}}\right]^{T} \end{aligned}
H=[H1κT,⋯,HmκT]T,R=diag(R1,⋯Rm),P=(Jκ)−1P
k(Jκ)−T,andzkκ=[z1κT,⋯,zmκT]T
这个更新后的估计值
x
^
k
k
+
1
\hat{x}_k^{k+1}
x^kk+1为第k+1次迭代的结果,循环迭代直到收敛至。收敛后优化的状态估计和方差为:
x
ˉ
k
=
x
^
k
κ
+
1
,
P
ˉ
k
=
(
I
−
K
H
)
P
\bar{\mathbf{x}}_{k}=\widehat{\mathbf{x}}_{k}^{\kappa+1},\bar{\mathbf{P}}_{k}=\left(\mathbf{I}-\mathbf{KH}\right)\mathbf{P}
xˉk=x
kκ+1,Pˉk=(I−KH)P
论文重点
常用的卡尔曼增益形式的一个问题是,它需要对度量维度内的矩阵
H
P
H
T
+
R
HPH^T+R
HPHT+R求逆。在实践中,LiDAR特征点的数量是非常大的,这种大小的矩阵的逆是禁止的。因此,现有的一些方案只使用了少量的测量方法。论文证明了这种限制是可以避免的。直觉源于
,其中代价函数在状态之上,因此解决方案的计算复杂度取决于状态维。通过该式可以得到新的Kalman增益形式,如下图所示:
K
=
(
H
T
R
−
1
H
+
P
−
1
)
−
1
H
T
R
−
1
\mathbf{K=}\left(\mathbf{H}^T\mathbf{R}^{-1}\mathbf{H+P}^{-1}\right)^{-1}\mathbf{H}^T\mathbf{R}^{-1}
K=(HTR−1H+P−1)−1HTR−1
我们在附录B中证明了基于矩阵逆引理的两种形式的卡尔曼增益确实是等价的。由于激光雷达测量是独立的,因此协方差矩阵R是(块)对角线,因此新公式只需要两个矩阵的状态维,而不是测量。由于在LIO中状态维数通常远低于测量值(例如,在10 Hz扫描速率下一次扫描1000多个有效特征点,而状态维数只有18),新公式大大节省了计算量。
e.算法流程
4.地图更新
G p ˉ f j = G T ˉ I k I T L L k p f j ; j = 1 , ⋯ , m . ^G\bar{\mathbf{p}}_{f_j}={}^G\bar{\mathbf{T}}_{I_k}{}^I\mathbf{T}_L{}^{L_k}\mathbf{p}_{f_j};j=1,\cdots,m. Gpˉfj=GTˉIkITLLkpfj;j=1,⋯,m.
5.初始化
为了获得系统状态的良好初始估计(例如重力矢量Gg、偏差和噪声协方差),从而加速状态估计,需要初始化。在FAST-LIO中,初始化很简单:保持LiDAR静态数秒(论文中所有实验均为2秒),然后使用收集到的数据初始化IMU偏差和重力矢量。如果激光雷达支持非重复扫描(如Livox AVIA),保持静态也允许激光雷达捕获初始的高分辨率地图,这对后续导航是有益的。
四、附录
A. F x ~ F_{\widetilde{x}} Fx 和 F w F_w Fw的计算
其中式子(5)为