RF-LIO：面向高动态场景的紧耦合LiDAR惯导融合里程计

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