【论文笔记】LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

LIO-SAM: Tightly-coupled Lidar Inertial Odometry via
Smoothing and Mapping
关键词：紧耦合、惯性测量单元、平滑

摘要

本文提出了一种通过平滑和映射实现紧密耦合激光雷达惯性里程计的框架——LIO-SAM，该框架实现了高精度、实时的移动机器人轨迹估计和地图构建。LIO-SAM将激光雷达-惯性里程计制作在一个因子图上，允许大量的相对和绝对测量，包括环路闭合，作为因子从不同的来源并入系统。来自惯性测量单元(IMU)预积分的估计运动消除了点云的偏斜，并产生了激光雷达里程计优化的初始猜测。获得的激光雷达里程计解用于估计惯性测量单元的偏差。为了确保高实时性能，我们将旧的激光雷达扫描边缘化以进行姿态优化，而不是将激光雷达扫描与全局地图相匹配。以局部尺度而不是全局尺度进行扫描匹配可以显著提高系统的实时性能，正如有选择地引入关键帧一样，高效的滑动窗口方法可以将新的关键帧注册到一组固定大小的先前“子关键帧”中。所提出的方法在不同规模和环境下从三个平台收集的数据集上进行了广泛评估。

介绍

状态估计、定位和映射是成功的智能移动机器人的基本先决条件，是反馈控制、避障和规划等许多能力所必需的。基于视觉和激光雷达的方案已经致力于实现SLAM。但是视觉虽然有利于特征匹配，但是会受到一系列的干扰。激光雷达方案随着高精度3D激光雷达的问世，变得更适合直接捕捉3D空间中环境的精细细节。
现有激光雷达方案取得了广泛的应用与先进的性能，但是在实时性等方面仍然存在很大不足。本文致力于解决这些问题。

本文中提出了一个通过平滑和映射的紧密耦合激光雷达惯性里程计框架，LIO-SAM，来解决上述问题。我们假设点云去歪斜的非线性运动模型，使用原始的惯性测量单元测量来估计激光雷达扫描期间的传感器运动。除了消除点云的偏斜，估计的运动还可以作为激光雷达里程计优化的初始猜测。获得的激光雷达里程计解随后用于估计因子图中惯性测量单元的偏差。通过引入用于机器人轨迹估计的全局因子图，我们可以使用激光雷达和惯性测量单元测量来有效地执行传感器融合，在机器人姿态之间结合位置识别，并且在有绝对测量时引入绝对测量，例如全球定位系统定位和罗盘航向。来自各种来源的因素集合用于图形的联合优化。此外，我们将旧的激光雷达扫描边缘化以进行姿态优化，而不是将扫描与LOAM这样的全局地图进行匹配。以局部尺度而不是全局尺度进行扫描匹配可以显著提高系统的实时性能，正如有选择地引入关键帧一样，高效的滑动窗口方法可以将新的关键帧注册到一组固定大小的先前“子关键帧”中我们工作的主要贡献可以总结如下:
1）.建立在因子图上的紧密耦合激光雷达惯性里程计框架，适用于多传感器融合和全局优化。
2）.一种高效的、基于本地滑动窗口的扫描匹配方法，通过将选择性选择的新关键帧注册到固定大小的一组先前子关键帧来实现实时性能。
3）.提出的框架经过了各种规模、车辆和环境的广泛测试验证。

相关工作

扫描得到的点云通常是偏斜的，单独使用激光雷达里程计进行位姿估计容易产生漂移和误差。
激光雷达通常与其他传感器(如IMU和GPS)结合使用，用于状态估计和绘图。这种利用传感器融合的设计方案通常可以分为两类:松耦合融合和紧耦合融合。在LOAM中，IMU被引入来消除激光雷达扫描的偏斜，并给出扫描匹配的运动先验。然而，**惯性测量单元不参与算法的优化过程。**因此，LOAM可以归类为松散耦合的方法。
**紧耦合可以提供更高的精度，**也是目前的主流研究之一。

本文工作

论文的全文翻译和讲解部分有说的非常好的文章：
LIO-SAM全文翻译
LIO-SAM解读