imu 里程计融合_多传感器融合---LINS

本文介绍了ICRA2020上的一篇关于多传感器融合构建点云地图的论文——R-LINS。该方法利用6轴IMU和3D LiDAR的结合,通过迭代误差状态卡尔曼滤波器(ESKF)减少计算成本,提高鲁棒性。论文详细阐述了雷达里程计的分类,包括纯雷达模型、松耦合和紧耦合的LiDAR-IMU模型。R-LINS采用ESKF优化非线性约束,避免EKF的性能下降,实现了更精准的定位和地图构建。
摘要由CSDN通过智能技术生成

a94843eedcb28d029b677256fe35b071.png

在大规模场景下的地图构建时候,纯激光雷达传感器无法很好的完成地图构建工作,这时需要考虑使用不同的传感器,获取多种数据来进行传感器的融合,实现位姿的矫正,最终完成复杂大规模场景下的地图构建,这种方法也被称之为多传感器融合

本篇文章要讲述的是发表在ICRA2020上的一篇多传感器融合实现点云地图构建的文章。

涵盖的知识面有:ESKF,IKF,IMU,Quaternion等。

梳理不易,希望大家可以点赞收藏关注支持一下哈~

论文:R-LINS: A Robocentric Lidar-Inertial State Estimator for Robust and Efficient Navigation

Demo:https://www.youtube.com/watch?v=Nmr1blC09qw

d28c7265815fbc82a83c6a946535ea0d.png
LINS demo视频https://www.zhihu.com/video/1236351553952038912

由于尚未开源,本文将着重从论文的角度讨论这篇文章。

1、论文概览

R-LINS的本质是一个以机器人为中心的激光惯导状态估计器。它使用以下两种传感器来估计机器人的运动姿态:

  • 6轴 IMU:高频,聚焦自身运动,不采集外界环境数据
  • 3D LiDAR:低频,聚焦车体运动,采集外界环境数据

这两种传感器想必大家都不陌生。但是,这两个传感器在复杂大规模领域里,单独的依靠自己的数据是很难实现地图构建的。所以,为了能够在具有挑战性的环境下也能保持鲁棒性和计算效率,本文使用了迭代的误差状态卡尔曼滤波器(ESKF)来通过重复生成新的对应特征来递归的修正机器人的状态信息。

为了防止滤波发散和降低计算成本,本文采用了一种新的以机器人为中心的公式,该公式重新定义了一个移动的局部帧的状态估计量,而不是像标准的以世界为中心的LIO中的固定全局帧的状态估计量。

这里需要注意的是,LINS和LIO的区别如下:

33311f7d98f81f3085013642f72b90dc.png
LIO和LINS对比图

本篇文章相比于LIO,降低了计算的时间消耗,是第一个使用ESKF的LIO框架。

2、雷达里程计分类

现在基于激光雷达里程计的划分主要有三大类:

  • 纯雷达模型
  • 松耦合的LiDAR-IMU模型
  • 紧耦合的LiDAR-IMU模型

下面将依次介绍下对应的模型。

2.1、纯雷达模型

一般来说纯雷达的里程计模型大部分都是基于帧间匹配的,主要分为两大类:

  • 基于迭代最近点法(ICP)
  • 基于正态分布变换(NDT)

所以,现阶段基于迭代最近点法的纯雷达模型,比较出名的是LOAM框架,主要为LOAM和LeGO-LOAM。如果有同学对这两个算法比较感兴趣的话,可以阅读下面文章:

yc zhang:LOAM-SLAM原理深度解析​zhuanlan.zhihu.com
006a933ecc722933a59b33a04ca97f64.png
yc zhang:LeGO-LOAM和LOAM的区别与联系​zhuanlan.zhihu.com
4b0d82fbd1729175e88bc1a63a98bba2.png

而基于正态分布变换的纯雷达模型,比较出名的是HDL-Localization。

这些算法都是基于单独的激光雷达传感器数据而进行的里程计推演,实现地图构建。

2.2、松耦合的LiDAR-IMU模型

纯雷达模型使用的传感器是激光雷达,可以很好的探测到外界的环境信息。但是,同样的,也会受到这些信息的干扰,再长时间的运算中会产生一定的累计误差。为了防止这种误差干扰到后续的地图构建中,需要使用另一种传感器来矫正机器人自身的位姿信息。

在实际使用中,为了矫正激光雷达传感器所得到的位姿信息,一般使用的是IMU传感器。

IMU传感器由于是自身运动估计的传感器,所以,采集的都是自身运动的姿态信息。可以很好的矫正激光雷达里程计的位姿信息。所以,通常使用激光雷达和惯导来进行数据融合,实现姿态信息的矫正,这种模型也被称之为LiDAR-Inertial Odometry(LIO) 。

这里主要介绍的是松耦合的LiDAR-IMU模型。

高斯粒子滤波就是比较常见的松耦合模型。

松耦合模型由于是对两个传感器的数据直接进行使用,得到新的姿态解算后的数据,并没有构建新的损失函数,所以,得到的结果相对来说也不是特别的精准。

但是,由于其模型简单,可以快速实现,所以,松耦合的多传感器融合模型&#x

  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值