LIO论文阅读:Tightly Coupled 3D Lidar Inertial Odometry and Mapping

该论文提出了一种3D激光雷达(LiDAR)与惯性测量单元(IMU)紧密耦合的位姿估计算法,旨在解决LiDAR在移动机器人中的局限性,如分辨率低、特征不足等问题。通过联合优化IMU和LiDAR数据,算法能在LiDAR退化时仍保持准确位姿估计,同时提出了旋转约束的精炼方法来优化位姿和创建点云地图。实验证明,该方法在快速移动和特征稀疏的环境中表现优秀,与松耦合方法相比,提供了更准确、实时的定位结果。
摘要由CSDN通过智能技术生成

论文地址与代码地址

论文:arxiv
代码:GitHub

摘要

Ego-motion 在移动机器人应用中很重要。传感器融合可以补偿单传感器缺陷。这篇文章主要介绍了一种LiDAR-IMU 融合的方法,通过联合优化IMU和LiDAR的测量数据,可以做到在LiDAR退化的情况下也没有明显漂移。
另外,本文提出了一种rotation-constrained refinement 算法(LIO-mapping),用于配准LiDAR位姿和全局地图。
实验结果显示,所提出的方法可以做到以IMU的速率估计传感器的位置,即使在快速移动和缺少特征情况下也能工作。

I. INTRODUCTION

LiDAR优点:在机器人领域广泛应用,频率10Hz,水平的 field of view(FOV)是360 ° \degree °。受光照影响小,高精度和高可靠性。

LiDAR的缺点:竖直方向上分辨率太小,太过于稀疏,因此能提供的特征也很少,让特征跟踪变得棘手。
安装在机器人上的LiDAR由于机器人的运动,会使测量的数据变差。
另外,在一个狭窄的走廊环境中,只能得到部分天花板,墙和底板的点云。特征过少导致跟踪的丢失。
还有一个问题:更新频率太低。

在本文中,提出IMU-LiDAR紧耦合的位姿估计算法来解决上述问题。
使用了 fix-lag smoothing 和 原有位姿边缘化的方法达到实时和一致性的估计,然后再进行 rotation-constrained refinement。

主要工作如下:

  • LiDAR-IMU紧耦合算法提供高频的,实时的,准确的位姿估计。
  • rotational constrained refinement 方法优化最终的位姿并且产生点云地图,提高一致性和鲁棒性的估计。
  • 算法在室内外环境都进行了测试,效果比松耦合算法优异。
  • 算法开源,业界第一个LiDAR-IMU紧耦合算法。

本文总体结构:
II 介绍相关工作;
III 介绍标记与注记;
IV 介绍里程计算法;
V 介绍 refinement (配准)算法;
VI 和 VII 介绍了实现与测试结果;
VIII 结论。

II. RELATED WORKS

松耦合算法:将LiDAR和IMU的状态估计分别单独考虑。
[1] 中的雷达里程计算法带有IMU的辅助信息。使用加速度信息时会假设它是 zero velocity 的。它将 IMU 和雷达的数据分离,并且将IMU信息作为整个系统的先验,因此在优化中,它没有最大化 IMU 信息的利用。
[2] 中使用EKF来融合2D 情况下的 LiDAR 和 IMU 的信息,但它不能处理3D或者更复杂的环境。
[3] 讲了一种模块化的IMU融合方式,通过 EKF 进行融合。这种松耦合的方式虽然计算效率很高,但是和紧耦合的相比准确度不够,因为它只把里程计作为一个黑盒,却没有通过IMU来更新它。
[4]采用了紧耦合的方式。
[5] 是 Soloviev 等人提出的。针对2D平面运动估计,他们提出了一种方法:抽取和匹配2D平面的线特征。通过 IMU 的预测方位补偿雷达信息。过程中应用了 卡尔曼滤波器。
[6] Hemann 等人提出了以误差状态的卡尔曼滤波器形式,紧耦合IMU 传播误差和 LiDAR heightmap。这种方式在环境地图已知时,没有GPS信息也能长时间工作,但没有地图无法工作。
[7] 和 [8] 未处理数据和 IMU 的预测数据直接用于计算残差和进行优化。这种方式没有牵涉转化和状态估计,在系统快速运动时,系统会不可用。

受到其他 VI 方式启发,如[10] ,[11] ,我们基于预积分和紧耦合的方式设计了整个系统。使用未处理的IMU数据和LiDAR数据进行状态优化。
整个系统可以在雷达退化或者运动十分快速时也能工作得很好。
据我们所知,我们的系统是少数几个适合复杂3D环境的。

III. NOTATIONS AND PRELIMINARIES

A. Notations

雷达每一线的测量记为 s c a n   C scan \ C scan C
包含所有 s c a n scan scan 的一次测量记为 s w e e p   S sweep \ S sweep S。16线雷达在一次sweep中包含16个scan。

变换矩阵 T b a ∈ S E ( 3 ) \bold{T}_{b}^{a} \in SE(3) TbaSE(3),表示把点 x b ∈ R 3 \bold{x^b} \in \mathbb{R^3} xbR3 从坐标系 F b F_b Fb 变换到坐标系 F a F_a Fa
T ˉ b a \bold{\bar{T}}_{b}^{a} Tˉba表示IMU预测的变换;
R b a ∈ S O ( 3 ) \bold{R}_b^a \in SO(3) RbaSO(3) p b a \bold{p}_b^a pba 分别是 T b a \bold{T}_{b}^{a} Tba的旋转和平移部分;
四元素 q b a \bold{q}_b^a qba对应于 R b a \bold{R}_b^a Rba

a ^ k \bold{\hat{a}}_k a^k ω ^ k \bold{\hat{\omega}}_k ω^k表示在时刻 k k k 时,IMU的加速度和角速度测量;

在坐标系 F a F_a Fa下抽取的特征表示为 F a \bold{F}_a Fa F a \bold{F}_a Fa可以通过 F a b \bold{F}_a^b Fab变换到坐标系 F b {F}_b Fb

A. IMU Dynamics

1)状态
F B i F_{B_i} FBi F L i F_{L_i} FLi 分别是IMU和雷达的坐标系;
雷达在离散时刻 i i i 时接收 s w e e p   S i sweep\ S_i sweep Si

我们要进行估计的是IMU在世界坐标系下 F W F^W FW 的状态 X B i W \bold{X}_{B_i}^W XBiW以及雷达和IMU之间的外参 T B L \bold{T}_B^L TBL,具体如下:
X B i W = [ p B i W T   v B i W T   q a i W T   b g i W T ] T , T B L = [ p B L T   q B L T ] (1) \bold{X}_{B_i}^W=[ {\bold{p}_{B_i}^W}^T \ {\bold{v}_{B_i}^W}^T \ {\bold{q}_{a_i}^W}^T \ {\bold{b}_{g_i}^W}^T ]^T, \\ \bold{T}_B^L=[{\bold{p}_{B}^L}^T \ {\bold{q}_{B}^L}^T] \tag{1} XBiW=[pBiWT vBiWT qaiWT bgiWT]T,TBL=

评论 1
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