LVI_SAM对VIS、LIS两个子系统进行紧耦合,本文利用M2DGR_Plus数据集,对LVI_SAM和其中的LIO、VINS子系统进行了评估。
其中_vins: VIS子系统单独运行;_lio: LIS子系统单独运行;_py:LVI系统运行。vins子系统在前面几帧位姿读取存在丢失。
一、Tree(Dense tree leave cover)
VIS子系统单独运行完全失败。lio和lvi系统差别较小。建图效果 LIO 约等于 LVI > VINS
二、Switch(indoor-outdoor switch)
VIS子系统单独运行完全失败。lio和lvi系统差别较小。建图效果 LIO 约等于 LVI > VINS 。
三、Anomaly(wheel anomaly)
均可建图,三个系统观察差别较小。
四、Bridge_01(Bridge, Zigzag)
三个系统均失败。
五、Bridge_02(Bridge, Long-term,Straight line)
视觉上VINS 约等于 LVI差不多,LIO漂移大。
六、Street_01(Street, Straight line )
LIO效果略好于LVI,VINS效果最差。
七、Street_02(Bridge, Sharp turn)
明显LIO > LVI > VINS 。
八、Parking_01(Parking lot, Side moving)
明显LIO 效果最好。
九、Parking_02(Parking lot, Rectangle loop)
LIO 和 LVI 效果差不多。
十、Building_01(Building, Far features)
LIO 效果最好。
十一、Building_02(Building, Far features )
VINS完全漂移,LIO和LVI效果都不佳。
十二、总结
ATE RMSE(m) of LVI、LIO、VINS from LVI_SAM (add a-loam、lego-loam、lio-sam、ground-fusion(引用), 2024.6.24) :
方法/序列 | Anomaly(轮速计失效) | Switch(室内外更换) | Tree(多树遮挡) | Bridge_01(之字形轨迹) | Bridge_02(长时直线轨迹) | Street_01(直线街道) | Street_02(急转弯) | Parking_01(停车场、侧移) | Parking_02(停车场、长方形环线) | Building_01(远景) | Building_02(远景) |
---|---|---|---|---|---|---|---|---|---|---|---|
LVI-SAM | 0.045775 | 0.263453 | 2.264965 | 1.223112 | 2.90975 | 2.810427 | 2.841433 | 3.888655 | 0.087718 | 2.876445 | 1.166187 |
LVI-SAM(lio) | 0.123578 | 0.933518 | 0.555494 | 7.117332 | 48.747167 | 0.762624 | 1.015125 | 0.071355 | 0.15055 | 0.322604 | 1.127767 |
LVI-SAM(vins) | 0.085697 | 63.909136 | 115.551285 | 32.1932 | 11.959241 | 4.068896 | 11.844415 | 0.252395 | 0.17909 | 4.216209 | 115.922002 |
A-LOAM | 0.000003 | 0.716655 | 0.287238 | 5.346851 | 1.479372 | 0.315624 | 0.098082 | 0.052997 | 0.054650 | 0.493541 | 0.280443 |
Lego-LOAM | 0.071875 | 0.252586 | 0.171211 | 5.484799 | 0.242312 | 0.223231 | 0.107517 | 0.065221 | 0.050669 | 1.209986 | 0.356766 |
LIO-SAM | 0.019343 | 0.543069 | 0.296906 | 5.820857 | 0.596719 | 0.285029 | 0.099945 | 0.052105 | 0.030486 | 0.294900 | 0.225117 |
Ground-Fusion | 0.07 | 1.32 | 0.55 | 0.4900 | 2.37 | 0.47 | 0.23 | 0.48 | 0.19 | 0.60 | 0.29 |
LINS | 0.205084 | 0.451568 | 0.206693 | 6.850111 | 0.319686 | 0.190599 | 0.105865 | 0.052115 | 0.038441 | 0.280343 | 0.193016 |
vins-momo | 0.046793 | 2.221312 | 1.452006 | 1.647070 | 0.831638 | 0.657320 | 0.835362 | 0.090541 | 0.143476 | 0.553966 | 0.491428 |
r2live | 0.029330 | 14.233346 | 85.554469 | 51.272362 | 2005.775042 | 18.986106 | 196.459853 | 0.194042 | 0.979761 | 100.746005 | 94.475773 |
r3live | 0.382855 | 213.789042 | 97.264547 | 122.079986 | 18.863453 | 23.959978 | 4.119473 | 0.089740 | 0.486811 | 1.946517 | 1.932704 |
sr-livo | 4.225939 | died | 失效 | 失效 | died | died | died | died | died | died | died |
fast-livo | 0.219798 | 7.354147 | 32.086853 | 226.739145 | 2096.515866 | 1.149619 | 5.633189 | 1.061083 | 0.776342 | 2.478821 | 2.067977 |
wheel | 0.762785 | 4.950760 | 2.866626 | 0.822130 | 28.673131 | 0.263541 | 0.973919 | 0.238101 | 0.263189 | 1.606523 | 0.971409 |
gnss | 无 | 0.647478 | 0.576361 | 70.724706 | 1.982385 | 0.217134 | 0.314700 | 0.154157 | 0.083441 | 104.974707 | 62.966726 |
在M2DGR-P中,LVI_SAM在轮速计失效、室内外更换、之字形轨迹、长时直线轨迹、停车场、长方形环线五个场景序列表现由于LIO子系统。
但是在多树遮挡、直线街道、急转弯、停车场侧移、远景场景下,VINS的加入似乎反倒降低了原LIO系统的精度。初步分析这几种场景有一个相似的共同点,多为复杂不规则场景或空旷场地,视觉特征点判别较为困难,拉低了LIO精度。而在室内、桥等场景几何规则图形较多,视觉特征提取较为准确,能提高LIO系统精度。
分析
A-loam:纯激光雷达框架;通过提取角点和面点,进行点到线和点到面的配准。
lego-loam:纯激光雷达框架;前端加入聚类分离地面点和非地面点,配准方法相同。
Lio-sam:imu、激光雷达融合框架;imu预积分矫正激光点位姿,添加激光里程计因子、GPS因子、闭环因子,执行因子图优化。
LINS:imu、激光雷达融合框架;前端使用迭代误差卡尔曼滤波紧耦合框架。
Vins-momo:imu、视觉融合框架;视觉sfm辅助imu初始化,后端滑窗图优化,最后Dbow回环和全局优化。
Lvi-sam:lio-sam和vins-momo的耦合系统;视觉帮助激光初始化,激光为视觉提供深度。
R2live:imu、激光雷达、视觉系统,Fast-lio和vins-momo的融合;采用误差状态迭代卡尔曼滤波融合框架,后端为另一个线程基于VINS-Mono的滑窗修改,只是加入了LiDAR的位姿。
R3live:imu、激光雷达、视觉系统,与R2live相似;vio系统加入rgb值的光度误差优化估计。
Fast-livo:imu、激光雷达、视觉系统;利用迭代误差卡尔曼滤波将激光雷达点面残差和图像光度误差与IMU传播紧密融合。
sr-livo:imu、激光雷达、视觉系统,与R3live相似;迭代误差卡尔曼滤波融合框架。
ground-fusion:imu、视觉、轮速计、gnss系统;滑窗图优化。
结合数据集
anomaly:轮速计失效的封闭室内场景。gnss失效,纯激光aloam效果最好。
融合系统中,以因子图为框架的lio-sam、ground-fusion、vins-momo、lvisam
好于 迭代误差卡尔曼滤波lins、r3live、fast-livo。
在因子图框架中,lio-sam>lvi-sam>vins-momo>ground-fusion
switch:室内外更换场景。视觉和轮速计均漂移,激光有效。
激光系统中:
legoloam>lvi-sam>lins(IEKF)>lio-sam>ground-fusion>gnss
tree:室外长树荫进出场景。视觉和轮速计漂移,激光有效,gnss有效。
纯视觉和基于IEKF融合的视觉系统漂移均很大。lvisam失效。
对于激光雷达系统:
legoloam>lins(IEKF)>aloam>lio-sam>gnss
bridge1:室外空旷复杂轨迹。激光退化场景;室外视觉效果不好
视觉、gnss、激光雷达均失效。
wheel有效。
ground-fusion>gnss
bridge2:室外长时间直线轨迹。
轮速计、gnss漂移,lio、vio系统有效。
legoloam>lins(IEKF)>lio-sam>vins-momo
street1:室外直线街道。
gnss、轮速计漂移,激光有效。视觉漂移。
lins(IEKF)>gnss>legoloam>wheel>lio-sam>aloam>ground-fusion
street2:急转弯场景。
视觉、wheel失效。
aloam>lio-sam>lins(IEKF)>legoloam>groundfusion>gnss
parking1:多障碍物环境,室外停车场,侧移轨迹。
轮速计影响精度下降,视觉激光效果好。
但激光>视觉。
lio-sam>lins(IEKF)>aloam>legoloam>vins-momo
parking2:多障碍物环境,室外停车场,长方形环线轨迹。
激光效果好,视觉轮速计精度下降。
基于IEKF的livo紧耦合框架视觉拖累激光。
lio-sam>lins(IEKF)>legoloam>aloam>vins-momo>gnss>lvi-sam
building1:远景
gnss、轮速计失效,激光雷达有效。视觉有效,但融合后算法无效,推测大规模室外场景,融合算法外参影响里程计严重。
lins(IEKF)>lio-sam>aloam>vins-momo>ground-fusion
building2:远景
gnss、轮速计失效,激光雷达有效,视觉有效。
lins(IEKF)>lio-sam>aloam>ground-fusion>legoloam>vins-momo
end
上述各场景,室外大场景紧耦合的融合框架对外参要求严格。除去激光雷达和视觉都失效的空旷之字形轨迹场景,此次测试中lidar-imu的方案Lins和lio-sam表现最佳。在封闭室内场景中,lio-sam表现出更好的稳定性。