一、摘要
本文提出了一种GNSS/LiDAR/IMU紧耦合估计器GLIO，它利用因子图优化(FGO)将GNSS伪距、多普勒、LiDAR和IMU测量紧密地融合在一起。特别是，采用参考站来消除GNSS伪距测量中涉及的系统误差。为了充分利用LiDAR和GNSS测量的互补性，采用两个阶段的优化方案来实现全局一致和连续的位姿估计。在优化的第一阶段，采用了基于滑动窗口的FGO算法，将GNSS相关因子、IMU预积分因子和基于扫描到地图（scan-to-map-based）的LiDAR因子相结合，实现了有效的里程估计。在第二阶段的优化中，采用LiDAR因子作为扫描到多扫描(scan-to-multiscan)方案，通过大规模批优化来保持全局一致性，提高系统对GNSS离群点的鲁棒性。我们对所提出的方法进行了评估，并通过涉及高度城市化地区的挑战数据集UrbanNav验证了其有效性。与传统的GNSS定位方法和LiO单机定位系统相比，该系统的定位精度提高了70%以上。
开源地址：https://github.com/XikunLiuhuskit/GLIO
二、创新点
1. 利用 FGO 进行原始测量级 GNSS/LiDAR/IMU 紧耦合集成：通过因子图优化将 GNSS 伪距、多普勒测量、LiDAR 测量和 IMU 测量融合在一起的紧耦合集成方案。
2. 稳健且全局一致的状态估计： 提出了一种基于两阶段优化的估计器，以提高对不健康 GNSS 测量的鲁棒性，并保持估计的全局一致性。
3. 开源代码和在挑战性场景中的广泛实验： 通过在香港各种具有挑战性的城市场景中进行实验，证明了所提出方法的有效性。
三、方法
系统的状态变量：
包括关键帧的姿态，位置 p 和方向 q。关键帧的速度 v 以及加速度计和陀螺仪的偏置ba和bw。以及接收器时钟漂移 Δt 。 这些状态变量保留在 ENU 坐标系中以 IMU 为中心的主体框架中。
系统工作流程包括四个主要步骤：数据预处理、构建因子、基于滑动窗口的第一阶段优化和基于批处理优化的第二阶段融合。
数据预处理：
涉及准备来自各种传感器的测量数据，包括全球导航卫星系统、激光雷达和IMU，以进行进一步的处理和优化。预处理包括使用参考站的校正消除全球导航卫星系统伪距离测量中的系统错误，还包括从 LiDAR 扫描和 IMU 测量中提取相关特征，用于优化过程。
因子构建：
包括双差分伪距测距因子、多普勒因子、LiDAR 扫描因子和 IMU 预积分因子。
第一阶段优化（滑动窗口）：
基于滑动窗口方法，其中使用较短的测量窗口进行高效估计。 基于滑动窗口的因子图优化 (FGO) 集成了 GNSS 相关因子、IMU 预积分因子和用于里程估算的激光雷达因子 。此阶段的重点是在滑动窗口内实现高效、准确的姿势估计。
第二阶段集成（批处理）：
第二阶段的集成涉及在特定的时间间隔内进行批量优化，以保持全局一致性并提高稳定性。 使用相似的 GNSS 和 IMU 约束条件维护了大因子图，用于批量融合。LiDAR 因子采用扫描到多重扫描方案，以避免局部最小值并保持全局一致性 。此阶段进一步完善了姿势估计并提高了系统的整体精度。
四、总结
本文提出了GNSS/LiDAR/IMU紧耦合里程计：(1)通过FGO在原始测量级将GNSS、LiDAR和IMU紧密融合；(2)采用基于滑动窗口的优化和基于批处理的融合两个阶段进行优化，以获得高效、一致和健壮的定位解。在提出的两个优化阶段中，采用了不同的LiDAR因素，如第一阶段的扫描到地图方案和第二阶段的扫描到多扫描方案。在香港采集的几个具有挑战性的序列上的实验结果证明了该方法的有效性，通过使用商业级GNSS接收器和LiDAR/IMU传感器套件，在具有挑战性的城市环境中获得了可靠的准确性和鲁棒性。
重要的是，这项工作是在我们的3D LiDAR辅助(3DLA)GNSS框架的融合线程中呈现的。根据上述结果，可以观察到该系统仍有近10米的最大误差。这是因为不健康的全球导航卫星系统观测没有得到完全缓解，现有的健康的全球导航卫星系统观测不足以纠正轨道。未来，我们希望在原始数据质量改进和定位方法方面进一步探索融合系统。对于第一个点，我们希望利用点云数据来恢复发射信号的反射，纠正不健康的GNSS信号的有偏观测，从而从根本上改善GNSS原始数据的质量，提高定位精度。其次，我们希望进一步探索拟议的系统以及我们以前的3DLA GNSS实时动态(RTK)定位方法，以研究在具有高度挑战性的城市地区为商业级GNSS接收器进行厘米级定位的可能性。此外，值得将目前实施的GNSS定位方法扩展到更具竞争力的GNSS定位方法，如精密单点定位(PPP)，以简化系统部署和扩大应用范围。
扫一扫
425
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
