多传感器融合方案对比和分析

已于 2023-04-23 18:17:27 修改
阅读量1.1k 收藏 28
点赞数 2
分类专栏： SLAM 文章标签： 人工智能 开源
于 2023-04-20 16:15:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42344626/article/details/130269198
版权

使用数据集

数据集名称数据集传感器点云是否含有ring、time数据集说明真值说明
UrbanNav-HK_TST-20210517_sensors.bag多个机械激光雷达、IMU、双目相机、GPS是城市环境、大回环、高动态提供真值
park_dataset.bag机械激光雷达、IMU、GPS是公园环境、树木特别多GPS提供真值
around_park_2021-09-24-11-36-03.bag固态激光雷达、IMU、是公园小场景无
KITTI数据集机械激光雷达、IMU、GPS不含time城市环境、多序列、有动态、部分含回环提供真值
自己录制数据集机械激光雷达、IMU、GPS、高精度惯导不含ring、time学校环境和街道环境，上下起伏多，IMU精度低，16线机关雷达高精度惯导提供真值

测试方案

支持方案名称融合方式传感器要求后端说明论文
LIO-livox-modify激光雷达和IMU（松、紧）支持固态激光雷达、旋转激光雷达滑窗优化不能回环，提供单激光、IMU只去畸变、原版支持IMU紧耦合，我的改进版本使用ikdtree管理地图，可实时！（LIO-livox 机械雷达，idtree版本）无
livox-mapping激光雷达和IMU（松、紧）支持固态激光雷达滑窗优化SC回环，支持地面检测、地图显示（LIO-livox 回环版本）无
LIO-SAM-modify激光雷达和IMU（松）支持固态激光雷达、旋转激光雷达、GPS因子图优化提供回环，IMU只用来去畸变，可以使用GPSLIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
SSL_SLAM3_modify激光雷达和IMU（紧）支持固态激光雷达、旋转激光雷达滑窗优化不提供回环，添加了IMU去畸变（本身不含）无
fastlio2激光雷达和IMU（紧）支持固态激光雷达、旋转激光雷达滤波不提供回环，使用ikdtree管理地图！FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter FAST-LIO2: Fast Direct LiDAR-inertial Odometry
fast_lio_slam激光雷达和IMU（紧）支持旋转激光雷达滤波提供回环，使用SC！ 前端是fastlio2，回环sc-pgo！（fastlio2回环版本）无
faster-Lio激光雷达和IMU（紧）支持固态激光雷达、旋转激光雷达滤波不提供回环，使用iVox管理地图！（fastlio2的iVox版本）Faster-LIO: Lightweight Tightly Coupled Lidar-Inertial Odometry Using Parallel Sparse Incremental Voxels
r3liveR3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual state Estimation and mapping
lvi-sam-modify激光雷达和IMU（松）、相机和IMU（紧）、vio和lio（松）支持固态激光雷达、旋转激光雷达、单目相机、GPS优化提供RS、视觉回环，IMU只用来去畸变，LIO和VIO系统是松耦合！LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping
LIOM激光雷达和IMU（紧）支持旋转激光雷达滤波A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments
lili-om-modify激光雷达和IMU（紧）支持固态激光雷达、旋转激光雷达滑窗优化提供回环，使用GTSAM全局优化Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping
LINS激光雷达和IMU（紧）支持旋转激光雷达滤波LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation
LIO-Mapping激光雷达和IMU（紧）支持旋转激光雷达滑窗优化Tightly Coupled 3D Lidar Inertial Odometry and Mapping

闭环说明

SC-PGO是一个接收里程计和点云，使用SC回环检测，构建GTSAM进行位姿图优化的独立包！！！ 方便进行回环检测和位姿图调整，以消除累计误差，构建全局一致的地图！

总结分析

调试了和跑通了目前基本的主流开源多传感器融合方案，从直观上进行了对比，没有从数据层面给出对比（接下来的事），因此很难做到准确，难免有错误的地方，欢迎指正！（具体的分析内容见另一个博客！）

  • 在建图层面，lio-livox-modify效果看起来不错，点云很精细。

  • 在轨迹精度上，lio-sam的轨迹最好，回环检测带来的效果十分明显！

  • 在回环检测部分，除了lio-sam自带的回环以外，其余的方案都是采用SC-PGO实现的SC回环检测和全局位姿调整，对最终的建图和定位效果有很大的提升！

  • 在运行效率上，lio-sam、lio-livox-modify方案以及滤波的方案fast-lio2能够做到实时（在我的电脑上，i5-12600KF、16GB内存、3060 12GB、固态硬盘）其余的方案不能实时（看git，可能是电脑要求高！）

总之，我的接下来重点是lio-sam（GTSAM因子图）、lio-livox-modify（滑动窗口）、fast-lio2（滤波方案），争取能够结合优点，构建一个更好点的SLAM系统（可能已经有了，我没关注到，希望有小伙伴多多交流）。

有名字的人ya
关注
  • 2
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
fast-lio系列改进版本
z1872385的博客
03-15 383
2.回环检测的优化结果，更新到FAST-LIO2的当前帧位姿中，幷进行ikdtree的重构，进而更新submap。其它的效果还不清楚，实测lio部分稳定性很好。用fast-lio_slam就很稳定。融合了fast-lio2和sc-pgo，两部分分开运行，SC-PGO从FAST-LIO2节点获取里程计和激光雷达点云主题。的作者kim在FAST-LIO2的基础上，添加SC-PGO模块，通过加入ScanContext全局描述子，进行回环修正,SC-PGO模块与FAST-LIO2解耦，非常方便，很优秀的工作。
LVI-SAM 在香港城市数据集UrbanNav的效果
m0_47096428的博客
07-06 3780
数据集链接:https://github.com/weisongwen/UrbanNavDataset 实验步骤: 1. 编译lvi sam 2. 调整config/ 中相机内参,雷达,以及外参参数 3. rosbag run起来 4. 结果 从直观感受,lvi和lio-sam成图效果没有明显区别,但是远好于vins-mono(论传感器的优越性),实际上,vins-mono在这一段数据会出现错误的回环检测,从而造成定位失效 图1 LIO 效果图 但是,对于细节的观察,与lio-sam相.
【Livox-Mapping】使用docker运行
水豚先生Stephen的博客
05-10 733
Livox-Mapping使用Livox固态激光雷达，实现实时激光雷达-惯性里程计。
探索城市导航新纪元： UrbanNavDataset
最新发布
gitblog_00074的博客
04-26 423
探索城市导航新纪元： UrbanNavDataset 项目地址:https://gitcode.com/weisongwen/UrbanNavDataset UrbanNavDataset 是一个开源的、大规模的城市级自动驾驶导航数据集，旨在推动自动驾驶领域的研究与开发。它集合了丰富的传感器数据，包括高精度GPS、IMU、激光雷达（LiDAR）和多视图相机图像，为开发者提供了一个真实世界的模拟环境...
测试不同的LIO系统
weixin_42344626的博客
04-20 1556
测试不同的激光雷达和IMU融合的建图方案，只是大致跑了一下，，因水平有限，难免出错，欢迎指正！
UrbanNavDataset：UrbanNav：在包括东京和香港在内的亚洲城市峡谷中收集的开源本地化数据
02-04
UrbanNavDataset：UrbanNav：在包括东京和香港在内的亚洲城市峡谷中收集的开源本地化数据
Urbannav数据集/novatel_data/inspvax订阅
hellopopyee的博客
11-30 2958
使用Urbannav数据集做多原融合定位评估精度，需要使用 /novatel_data/inspvax作为真值，但无法直接订阅该话题 rotopic echo /novatel_data/inspvax 显示无法订阅，该话题未build 解决思路如下： （1）首先根据博客：如何将ROS中的MSG转化格式重新发布的代码，下载这个git： imu_viz_2d 创建ros工作空间hx_ws（你可以随便起个名字），把以上git安装在hx_ws内 （2）接下来发现catkin_make报错：无法找到#includ
LIOM: 一种新的激光惯性里程计和建图方法
3D视觉工坊
07-04 3577
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：robot L | 来源：知乎https://zhuanlan.zhihu.com/p/137954753本文仅做学术分享，如...
基于多传感器融合的车辆里程计系统设计
02-26
本文在KAIST城市数据集序列上对里程计系统进行测试，对各项改进方案以及不同的观测数据进行分析验证，将本文算法与原始轮速里程计和基于经典多状态约束下的卡尔曼滤波器的里程计系统进行对比。结果表明，本文提出的...
多传感器数据融合的火灾探测系统设计方案
10-23
系统利用D-S证据理论对多传感器数据进行融合分析，实现对同一目标的判断；本系统通过利用D-S证据理论对多传感器数据融合的方法，不仅弥补了采用单一传感器的不足，而且很大程度上降低系统判断结果的不确定性，提高了...
智东西公开课-自动驾驶系列课第2季第1课课件-多传感器融合——无人驾驶的必由之路-Roadstar.ai首席科学家周光.pdf
07-14
全球无人驾驶格局及技术方案比较 多传感器融合的基本原理和算法 基于多传感器前融合的L4技术方案解析 Roadstar.ai如何加速落地和商业化
多传感器分布式信息融合粒子滤波器.pdf
08-11
作者毛琳和刘胜在文章中通过仿真结果验证了这种方法的有效性，比较了采用单一传感器和多传感器信息融合的情况，表明提出的算法能显著提升滤波精度。他们指出，这种融合策略尤其适用于那些需要处理复杂环境和大量不...
基于Android的多传感器信息融合技术在气溶胶自动化检测中的应用
08-20
通过这种信息融合技术，可以有效地解决不同传感器测量结果的不一致问题，通过对比和综合分析，获取更精确的气溶胶特性。这对于大气环境研究，如激光传输和辐射传输计算，具有显著的意义。此外，该系统设计的用户友好...
LIOM: 论文重点总结
weixin_51326570的博客
08-04 1126
LIOM: Laser-Inertial Odoemtry and Mapping A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments. 激光惯性里程计：实时、低漂移、鲁棒的位姿估计、大尺度高速环境中 主要由四个模块组成： 帧预处理模块：使用惯性测量来补偿每个激光帧的运动扰动 动态物体检测模块：通过应用CNN分割网络来检测和移除每帧的动态物体 激光—惯性里程计模块：使用误
SC-A-LOAM：在A-LOAM中加入回环检测
点云PCL
08-24 3053
Thanks to LOAM, A-LOAM, and LIO-SAM code authors. The major codes in this repository are borro...
在ubuntu20.04下编译并运行Point-LIO、FAST_LIO2、Faster-LIO、DLO、LeGO-LOAM、LIO-SAM（即部分问题解决）
qq_74861634的博客
08-31 2573
在运行算法建图的步骤：1、将源码下载到ros的工作环境中；2、根据系统配置修改源码：比如：在ubuntu20.04中运行LeGO-LOAM和LIO-SAM需要将源码CMakeList.txt中修改为c++14；3、只有发布和接收的话题相同才会出现点云。
自动驾驶数据集汇总
如果想成为中心，那么就到中心去吧。
04-18 786
摘要：此存储库是UrbanNav数据集的使用页面。在城市峡谷中，由于高楼林立，GNSS的精度受到严重挑战，导致大量的非视距(NLOS)接收和多路径效应。UrbanNav数据集希望为社区提供一个具有挑战性的数据来源，以进一步加快在具有挑战性的城市峡谷中进行准确和稳健定位的研究。数据集包括来自GNSS接收机、激光雷达、相机和IMU的传感器测量数据，以及来自SPAN-CPT系统的准确地面事实。简而言之，UrbanNav数据集特别关注改善GNSS在城市峡谷中的定位，但也提供来自激光雷达、相机和IMU的传感器测量。
SLAM数据集整理
Turn life into a dream, and then turn dreams into reality
10-09 2692
The Rawseeds Project: Indoor and outdoor datasets with GPS, odometry, stereo, omnicam and laser measurements for visual, laser-based, omnidirectional, sonar and multi-sensor SLAM evaluation. CMU Visual Localization Data Set: Dataset collected using the Na
gnss多传感器融合 英文
07-01
### 回答1： GNSS（全球导航卫星系统）多传感器融合是一种将多个传感器数据集合起来以提高定位和导航精度的技术。这些传感器可以包括GNSS接收器、惯性导航系统（INS）、地面测量设备等。 GNSS本身具有定位精度较高的优点，但在许多情况下，如高楼大厦、山谷、城市峡谷等地形复杂的区域，接收到的卫星信号可能会遭受遮挡或多径效应的干扰，导致定位不准确。 为了解决这个问题，多传感器融合技术被引入。这种技术将GNSS接收器与其他传感器结合起来，比如INS、地面测量设备等，来增强定位和导航的准确性。在GNSS信号受阻的时候，其他传感器可以提供附加的位置信息，从而填补定位中的空白。 通过融合多个传感器的数据，系统可以实现更可靠的位置估计和导航解决方案。例如，在车载导航系统中，多传感器融合可以提供准确的位置和导向信息，使司机能够更精确地知道自己的位置和如何到达目的地。 总而言之，GNSS多传感器融合是一种有效的技术，可以通过结合多个传感器的数据来提高定位和导航的精确性。这种技术在许多领域都有应用，包括航空、航海、车辆导航等。 ### 回答2： GNSS多传感器融合是指将全球导航卫星系统（GNSS）与其他传感器相结合，以提高导航和定位的精度和可靠性。传感器可以包括惯性测量单元（IMU）、气压计、陀螺仪、加速度计等。通过融合这些传感器的数据，可以弥补GNSS单独定位容易受到多路径效应、信号遮挡和干扰等因素的限制，从而提高定位的准确性和稳定性。 GNSS多传感器融合的核心是将多个传感器的测量数据进行优化和整合。首先，需要进行传感器数据的预处理，包括去噪、滤波和校准等步骤，以确保传感器数据的准确性和一致性。接下来，可以使用滤波算法（如卡尔曼滤波器或粒子滤波器）来融合多个传感器的数据，并估计出最优的位置和姿态估计结果。 采用GNSS多传感器融合技术可以在很多应用场景中获得更好的定位性能。例如，在自动驾驶领域，GNSS单独定位的精度可能无法满足需求，而融合车载IMU、摄像头和雷达等传感器的数据可以提供更准确的定位和导航信息。在室内定位中，GNSS无法提供可靠的信号，而借助其他传感器（如加速度计和地磁传感器）的数据可以实现室内准确的定位。 总之，GNSS多传感器融合是一种利用多个传感器的数据来提高导航和定位性能的技术。通过优化和整合传感器数据，可以获得更可靠、准确的位置和姿态估计结果，为各种应用提供更高精度的定位服务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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