lidar/imu组合slam相关文章

1.越野环境中紧密耦合的LIDAR-IMU SLAM

IEEE International Conference on Vehicular Electronics and Safety (ICVES)--2019

        本文提出了一种紧密耦合的 LIDAR-IMU SLAM，用于在特征不足的越野环境中对加速度计和陀螺仪的位置、姿态、速度以及偏差进行精确和稳健的估计。该方法基于 LIDAR 点云和 IMU 集成产生的残差优化。残差的第一部分来自当前扫描点云与同时构建的相关地图的体素质心之间的距离之和。残差的第二部分来自预积分程序，该程序将 LIDAR 和 IMU 校准误差考虑在内。基于从智能车辆平台收集的数据进行了一系列实验来评估 SLAM 系统。实验结果证明了该系统的精确姿态估计能力。与仅使用 LIDAR 的方法相比，LIDAR-IMU SLAM 在位置和姿态的估计精度和鲁棒性以及获得俯仰角和侧倾角的收敛结果方面表现出更好的性能。

2.高动态环境下IMU辅助激光雷达实时数据配准

IEEE International Conference on Real-time Computing and Robotics (IEEE RCAR)--2018

        近年来，随着传感器技术的突破，SLAM技术正朝着高速、高动态应用方向发展。旋转多线激光雷达传感器起着重要作用。然而，旋转多线激光雷达传感器需要在高动态环境中重构数据。我们的工作是提出一种基于IMU和硬件同步的LiDAR数据校正方法，并制作硬件同步单元。该方法在激光雷达传感器剧烈运动时仍能输出正确的点云信息。

3.基于激光雷达和IMU的改进ICP匹配算法

5th IEEE International Conference on Cloud Computing and Intelligence Systems (CCIS)--2018

        在本文中，我们提出了基于激光雷达和IMU的改进迭代最近点算法。描述了系统组成。通过IMU获得两个扫描点云的初始位姿估计，并提出提取两个二维点集的线特征来完成快速变化场景的匹配。进行了实验，结果表明改进后的ICP算法可以加快ICP的迭代速度，提高点云的性能。

4. 基于参考信标辅助激光雷达扫描匹配的UGV实时定位

5th IEEE Conference on Ubiquitous Positioning, Indoor Navigation and Location-Based Services (UPINLBS)--2018

        本文设计并进行了基于参考信标辅助激光雷达扫描匹配的实时定位实验。在实验中，我们利用集成了 IMU 和 2D LiDAR 传感器的机器人平台，与准备好的 2D 环境特征图进行扫描匹配，其中包括反射信标的信息。机器人平台通过基于点云的模式匹配算法-Occupied Grid Gauss - Newton Matching估计航向和位置变化。在扫描匹配容易失败的无特征区域，低成本的参考信标不仅可以丰富环境特征，还可以通过在扫描匹配中添加校准信息来提高室内定位精度。机器人平台的轨迹和定位结果证明，与传统的全激光反射信标定位方法相比，该方法可以提供准确可靠的导航和定位，并且参考信标更少。

5.用于定位和制图的多个相对和绝对测量融合的随机克隆和平滑

15th International Conference on Control, Automation, Robotics and Vision (ICARCV)--2018

        移动机器人依赖于精确和强大的定位和映射来进行自主导航。为此，采用传感器融合技术来组合多个传感器数据源的测量。众所周知的扩展卡尔曼滤波器是集成绝对测量值的标准方法；然而，多个相对测量，即当前系统状态和过去系统状态之间的测量差异，不能直接合并到滤波器中。本文提出了一种融合算法，用于集成绝对测量和多个相对测量，用于移动机器人的定位和映射。引入了一种利用并发随机克隆和平滑的新方法，以稳健地包含额外的相对测量。所提出的融合方法适用于使用来自 IMU、GPS、车轮里程计的传感器数据执行同步定位和映射，以及来自 3D LiDAR 的数据的扫描匹配。

6.基于三次姿态修正的移动机器人高精度定位

2nd International Conference on Robotics and Automation Sciences (ICRAS)--2018

        随着人工智能的飞速发展，很多简单重复的工作逐渐被移动机器人所取代，如电力巡检、工厂取货等。在实际运行中，移动机器人需要配备高精度的定位系统。在本文中，我们融合了里程计、惯性测量单元 (IMU) 和激光雷达的信息，通过结合来自扩展卡尔曼滤波器 (EKF)、自适应蒙特卡罗定位 (AMCL) 和增强扫描匹配算法。集成算法可以克服机器人在不适合使用 GPS、视觉和超宽带 (UWB) 的恶劣环境中运行时的定位困难。实验结果表明，与单一方法相比，混合定位方法可以使机器人在室内外环境中均实现高精度定位。

 7.Echord plus plus GRAPE实验中的葡萄园自主导航

16th IFAC Symposium on Information Control Problems in Manufacturing (INCOM)--2018

        田间机器人技术是一个快速发展的研究领域，特别是精准农业由于生产率的高回报和减少对环境的污染影响而越来越受欢迎。 GRAPE 项目是一个 ECHORD++ 机器人实验，旨在使用移动机器人在葡萄园中自动分配信息素分配器，以减少由于信息素伴侣中断而导致的农药使用。这项工作描述了这种机器人的自主导航系统。对于特定场景，不存在真正的最先进技术，因此我们采用了针对不同问题设计的技术，特别是在室内环境中进行导航和地图绘制的经典方法。由于天气、土壤和植被等许多可变因素，葡萄园环境具有挑战性。这些因素阻碍了在机器人感知中引入噪声的室内方法。为了解决这个问题，我们提出了一种特定的导航系统，该系统利用多个传感器：车轮编码器、惯性测量单元 (IMU) 和 GPS 来过滤环境噪声并准确估计机器人里程计。此外，该系统利用激光雷达传感器通过自适应蒙特卡罗定位 (AMCL) 算法定位机器人，并绘制葡萄园地图。我们在模拟中测试了该系统，结果非常好，这在真实葡萄园的现场测试中得到了证实。

8.稀疏特征室内环境下无人机自主紧密集成定位方法研究

15th International Bhurban Conference on Applied Sciences and Technology (IBCAST)--2018

        尽管基于光探测和测距 (LiDAR) 的同步定位和映射 (SLAM) 已广泛用于地面机器人的自主定位，但由于高度和运动动力学的变化，无人机 (UAV) 的定位存在困难。尤其是无人机在特征稀疏的环境中飞行时，定位误差会迅速增加。在本文中，将提出一种微机电系统惯性测量单元（MEMS-IMU）辅助SLAM方法在稀疏室内环境中的特征很少，即LiDAR/MEMS-IMU紧密集成定位方法。在SLAM中引入MEMS-IMU作为状态预测，通过该算法可以缩小特征搜索范围，大幅提高定位精度。我们在特征稀疏的走廊中进行了基于 LiDAR 的 SLAM 实验，结果表明，与传统算法相比，所提出的 LiDAR/MEMS-IMU 紧密集成定位算法的定位精度提高了 10 倍。

 9.复杂城市激光雷达数据集

IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)--2018

        本文介绍了针对复杂城市环境的光检测和测距 (LiDAR) 数据集。高层建筑和交通拥堵的城市环境对许多机器人应用提出了重大挑战。所呈现的数据集是独一无二的，因为它能够捕捉城市环境的真实特征（例如大都市区、大型建筑群和地下停车场）。数据集中提供了二维（2D）和三维（3D）激光雷达的数据，它们是激光雷达传感器的典型类型。两个 16 射线 3D 激光雷达在两侧倾斜，以实现最大覆盖范围。一个 2D LiDAR 面向后方，另一个面向前方，分别收集道路和建筑物的数据。来自光纤陀螺 (FOG)、惯性测量单元 (IMU) 和全球定位系统 (GPS) 的原始传感器数据以文件格式呈现，用于车辆姿态估计。在应用图同步定位和映射 (SLAM) 算法后，还呈现了估计为 100 Hz 的车辆姿态信息。为方便开发，机器人操作系统（ROS）环境下的文件播放器和数据查看器也通过网页发布。完整的数据集可在以下网址获得：http://irap.kaist.ac.kr/dataset。在本网站中，使用 WebGL 提供了每个数据集的 3D 预览。

10.基于流形相对预积分法的惯性导航系统在线初始化和外特性标定

 IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING--2018（6.636）

        惯性测量单元 (IMU) 已成功用于补偿传感器融合惯性导航系统中的定位误差。 IMU一般产生100~1000Hz的高频信号，惯性导航系统采用预积分方法有效处理这些高频信号。现有预积分方法的主要问题是该方法中的惯性传播模型仅在 IMU 的坐标系中生成。因此，必须将模型转换为其他传感器的坐标系才能应用其约束。因此，使用传统方法的迭代优化框架需要大量的时间。此外，由于一般刚体变换不能将速度传播模型转移到其他坐标系，因此需要考虑相对运动分析的概念。为了解决上述问题，在本文中，我们提出了一种新颖的相对预积分（RP）方法，可以在刚体中的任何传感器坐标系处生成惯性传播模型。这允许在传感器融合惯性导航系统中进行准确和快速的 IMU 处理。我们应用新的非线性优化框架在线解决基于所提出的 RP 方法的 IMU-IMU、IMU-Camera 和 IMU-LiDAR 对的初始化和外部校准问题，上述过程的优越结果也介绍了。

11.Urban@CRAS数据集：视觉里程计和SLAM技术的基准

ROBOTICS AND AUTONOMOUS SYSTEMS--2018

        公共数据集对于科学和工业界加速新方法的开发并保证相同的测试条件以比较不同研究人员提出的方法变得极为重要。本研究展示了 Urban@CRAS 数据集，该数据集捕获了葡萄牙波尔图一个标志性地区的多个场景。这些场景呈现了多种条件和城市情况，包括车辆与车辆和车辆与人的交互、交叉路口、转弯、环形交叉路口和不同的交通状况。来自这些场景的数据通过安装在汽车车顶中的一组异构传感器以 10 到 200 Hz 的频率进行时间戳、校准和采集。这些传感器包括 3D 激光雷达、高分辨率彩色相机、高精度 IMU 和 GPS 导航系统。此外，还包括从实时运动卫星导航系统（误差为 0.05m）获得的定位信息作为地面实况。此外，本研究还包括了视觉里程计和 SLAM 的一些典型方法的基准测试过程，其中使用定性和定量性能指标来讨论每种实现的优势和特殊性。因此，这项研究促进了自主机器人（和驾驶）的感知和导航方法的新进展。

12.鲁棒高精度视觉惯性激光SLAM系统

IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)--2019

        近年来，提出了许多关于视觉惯性SLAM和基于激光的SLAM的优秀作品。尽管惯性测量单元（IMU）通过减少光照变化或无纹理区域对视觉跟踪的影响显着提高了运动估计性能，但长时间处于这样的环境中会发生跟踪失败。同样，在无结构环境中，激光模块也会因为缺乏足够的几何特征而失效。此外，移动激光雷达的运动估计存在失真问题，因为距离测量是连续接收的。为了解决这些问题，我们提出了一种强大且高精度的视觉惯性激光 SLAM 系统。该系统从视觉惯性紧密耦合的运动估计方法开始，然后进行扫描匹配以进一步优化估计并在地图上注册点云。此外，我们可以自动灵活地调整模块。也就是说，当其中一个模块发生故障时，其余模块将承担运动跟踪任务。为了进一步提高精度，实现了闭环和接近检测以消除漂移累积。当检测到循环或接近时，我们执行六自由度（6-DOF）位姿图优化以实现全局一致性。我们系统的性能在公共数据集上得到验证，实验结果表明，与其他最先进的算法相比，所提出的方法具有更高的准确性。        

13.紧密耦合的3D激光雷达惯性里程计和建图

IEEE International Conference on Robotics and Automation (ICRA)--2019

        自我运动估计是大多数移动机器人应用程序的基本要求。通过传感器融合，我们可以弥补独立传感器的不足并提供更可靠的估计。我们在本文中介绍了一种紧密耦合的激光雷达-IMU 融合方法。通过联合最小化激光雷达和 IMU 测量的代价，激光雷达-IMU 里程计 (LIO) 在长期实验后相当大的漂移时可以很好地执行，即使在激光雷达测量可能退化的具有挑战性的情况下也是如此。此外，为了获得更可靠的激光雷达姿态估计，提出了一种旋转约束细化算法（LIO-mapping），以进一步将激光雷达姿态与全局地图对齐。实验结果表明，即使在快速运动条件或特征不足的情况下，所提出的方法也可以在 IMU 更新率下高精度地估计传感器对的位姿。

 14.具有点和面特征的紧密耦合辅助惯性导航

IEEE International Conference on Robotics and Automation (ICRA)--2019

        本文提出了一种具有点和面特征的紧耦合辅助惯性导航系统（INS），一种适用于任何视觉和深度传感器（例如RGBD、LiDAR）配置的通用传感器融合框架，其中相机用于点特征跟踪，深度传感器用于平面提取。所提出的系统利用环境的几何结构（平面）并采用最近点（CP）进行平面参数化。此外，我们将平面点特征与非平面点特征区分开来，以强制执行我们的状态估计器中使用的点面约束，从而进一步利用来自环境的结构信息。我们还介绍了一种简单但有效的平面特征初始化算法，用于基于特征的同时定位和映射 (SLAM)。此外，我们在 IMU 和深度传感器之间进行在线空间校准，因为很难以高精度获得这个关键的校准参数。蒙特卡罗模拟和真实世界的实验都被执行以验证所提出的方法。

15.Rosario 数据集：用于农业环境中定位和映射的多传感器数据

INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH--2019

        在本文中，我们介绍了 Rosario 数据集，这是农业场景中自主移动机器人的传感器数据集合。该数据集的动机是缺乏移动机器人在此类环境中收集的真实传感器读数。它由记录在大豆田中的六个序列组成，展示了真实且具有挑战性的案例：高度重复的场景、反射以及由阳光直射和崎岖地形造成的烧焦图像等。该数据集的构思是为了提供基准并有助于农业同步定位和映射 (SLAM)/里程计和传感器融合研究。它包含多个传感器的同步读数：车轮里程计、惯性测量单元 (IMU)、立体相机和全球定位系统实时运动学 (GPS-RTK) 系统。该数据集可从

http://www.cifasis-conicet.gov.ar/robot/ 公开获得。

 16.基于图优化的GNSS/INS/LiDAR SLAM组合导航系统

REMOTE SENSING--2019

        提出并实现了一种基于图优化的全球导航卫星系统（GNSS）/惯性导航系统（INS）/光探测测距（LiDAR）-同时定位与测绘（SLAM）综合导航系统。导航结果是通过GNSS位置、惯性测量单元（IMU）预积分结果和3D概率图的相对位姿信息融合与图优化匹配得到的。采用滑动窗口方法来保证图优化的计算量不随时间增加。进行了陆地车辆测试，结果表明，所提出的GNSS/INS/LiDAR-SLAM组合导航系统与GNSS/INS等现有GNSS/INS/LiDAR方法相比，能够有效提高导航定位精度。在 GNSS 中断一分钟周期的模拟过程中，与 GNSS/INS 组合导航系统相比，所提出的导航系统在北向和东向的位置误差的均方根 (RMS) 分别降低了约 82.2%和 79.6%，垂直方向的位置误差和姿态误差相当。与GNSS/INS/LiDAR-Google Cartographer的基准方法相比，北、东和垂直方向的位置误差均方根分别降低了约66.2%、63.1%和75.1%，滚动的均方根，俯仰和偏航误差分别减少了大约 89.5%、92.9% 和 88.5%。此外，GNSS 中断期间的相对位置误差减少到所提出方法的行进距离的 0.26%。因此，本文提出的 GNSS/INS/LiDAR-SLAM 组合导航系统能够有效融合 GNSS、IMU 和 LiDAR 的信息，并能显着减轻导航误差，尤其是在 GNSS 信号衰减或中断的情况下。

17.一种用于城市自动驾驶的精确且鲁棒的基于分割的激光雷达定位系统

 REMOTE SENSING--2019

        实时和高精度的定位信息对于无人驾驶车辆的许多模块至关重要。目前，高成本的RTK（Real Time Kinematic）和IMU（Integrated Measurement Unit）组合导航系统经常被使用，但其精度不能满足要求，甚至在很多场景中失败。为了降低成本并提高定位精度和稳定性，我们提出了一种精确且鲁棒的基于分割的激光雷达（光检测和测距）定位系统，辅以 MEMS（微机电系统）IMU，专为高级自主设计驾驶。首先，我们使用一系列提出的有效的基于低级语义分割的多种特征提取算法从在线框架中提取特征，包括地面、路缘、边缘和表面。接下来，我们匹配激光雷达里程计模块中的相邻帧，并根据提取的特征将当前帧与激光雷达定位模块中动态加载的预构建特征点云图进行匹配，以精确估计 6DoF（自由度）位姿，通过提出先验信息考虑类别匹配算法和多组步L-M（Levenberg-Marquardt）优化算法。最后，通过状态误差卡尔曼滤波器将激光雷达定位结果与 MEMS IMU 数据融合，以在 200Hz 的高频下产生更平滑、更准确的定位信息。所提出的定位系统可以实现 3 到 5 厘米的位置和 0.05 到 0.1 度的方位 RMS（均方根）精度，并优于以前的最先进系统。其鲁棒性和适应性已通过 1000 多公里的本地化测试数据在各种具有挑战性的场景中得到验证，包括拥挤的城市道路、狭窄的隧道、无纹理的高速公路和类似下雨的恶劣天气。

18. CUHK-AHU 数据集：在复杂的机场物流、山丘和城市环境中推广实用的自动驾驶应用

IROS-2020

        本文提出了一个新的数据集，针对三种具有挑战性的自动驾驶环境，即工业物流环境、起伏的丘陵环境和混合复杂的城市环境。据作者所知，类似的数据集尚未在现有的公共数据集中发布，尤其是在正常运作的香港空运货站 (HACT) 中收集的物流环境。由于货物进出频繁，机场物流环境总是突然出现结构性变化。在无结构和嘈杂的山丘环境中，非平面运动是常见的。在混合的复杂城市环境中，高度动态的住宅区、坡道和高速公路被包含在一个集合中。所呈现的数据集包括 LiDAR、图像、IMU 和 GPS 数据，通过沿多条路径重复驾驶来捕捉结构变化、光照变化和道路不同程度的起伏。提供了通过同时定位和映射 (SLAM) 估计的基线轨迹。

19.用于轻量级 2D 定位的多功能 3D 多传感器融合

IROS-2020

        为了在具有挑战性的条件下（例如，传感器校准差、光照不足和动态物体）为低成本、低功耗的自主机器人平台（例如教育或工业地面车辆）提供轻量级和强大的定位解决方案，我们提出了一个两阶段定位系统，它结合了离线先验地图构建和在线多模式定位。特别是，我们开发了一个具有概率测距融合、精确的扫描到子图协方差建模和加速闭环检测的占用网格映射系统，这进一步得到了利用环境结构约束的 2D 线特征的帮助。然后，我们开发了一个多功能的基于 EKF 的在线定位系统，该系统以最佳方式（直至线性化）融合了由预先构建的占用网格图、IMU、里程计和 2D LiDAR 测量提供的多模态信息，计算要求低。重要的是，这些传感器之间的时空校准也是在线估计的，以解决初始校准不佳的问题，并使系统更加“即插即用”，从而提高了所提出的多传感器融合框架的准确性和灵活性。在我们的实验中，我们的地图系统被证明比最先进的 Google Cartographer 更准确。然后，进行了广泛的蒙特卡罗模拟，以验证所提出的基于地图的定位系统的准确性、一致性和效率，并具有全时空校准。我们还使用建筑规模的真实世界数据集验证了完整的系统（先前的地图构建和在线本地化）。

20.基于无人车手眼标定模型的3D LiDAR-GPS/IMU标定

 3rd International Conference on Unmanned Systems (ICUS)--2020

        对于无人驾驶车辆，多线LiDAR（Light Detection and Ranging）和GPS/IMU经常结合使用，用于SLAM或高精度地图的制作。为了提高导航和地图构建的准确性，通常需要对 LiDAR 和 GPS/IMU 进行外部参数校准。针对无人车LiDAR和GPS/IMU标定条件不足的问题，提出解耦方法，将外参分组进行标定，最后将点云与GPS/IMU得到的位姿融合校准前后得到环境重建结果。通过标定前后的重建结果，验证了所提方法的有效性。 

 21.LIO-SAM：通过平滑和映射实现紧密耦合的激光雷达惯性里程计

 IROS--2020

        我们提出了一个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，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 在因子图上制定激光雷达惯性里程计，允许将来自不同来源的大量相对和绝对测量值（包括闭环）作为因子合并到系统中。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，并为激光雷达里程计优化产生了初始猜测。获得的激光雷达里程计解决方案用于估计 IMU 的偏差。为了确保实时的高性能，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匹配。局部尺度而不是全局尺度的扫描匹配显着提高了系统的实时性能，关键帧的选择性引入以及将新关键帧注册到固定大小的先验集合的有效滑动窗口方法也是如此“子关键帧”。所提出的方法在从三个平台在各种规模和环境中收集的数据集上进行了广泛的评估。

22.用于自动驾驶汽车的基于 SRIF 的鲁棒 LiDAR-IMU 定位

ICRA--2021 

        我们提出了一种用于自动驾驶汽车应用的紧密耦合的多传感器融合架构，该架构在各种场景中实现了厘米级的精度和高鲁棒性。为了实现鲁棒和准确的点云特征匹配，我们提出了一种从 LiDAR 点云中提取结构性、高判别性特征的新方法。对于高频运动预测和噪声传播，我们使用增量流形 IMU 预集成。我们还采用了多帧滑动窗口平方根逆滤波器，使系统在有限功耗的前提下保持数值稳定。为了验证我们的方法，我们在配备 LiDAR-IMU 系统的多个应用程序和平台中测试了融合算法。我们的结果表明，我们的融合框架获得了最先进的定位精度、高鲁棒性和良好的泛化能力。

 23.Lvio-Fusion：使用 Actor-critic 方法的自适应多传感器融合 SLAM 框架

 IROS--2021

        使用传感器进行状态估计对于移动机器人至关重要。由于传感器在不同环境下的性能不同，如何融合各种传感器的测量结果是一个问题。在本文中，我们提出了一种紧密耦合的多传感器融合框架 Lvio-Fusion，它基于图优化融合了立体相机、激光雷达、IMU 和 GPS。特别是对于城市交通场景，我们引入了具有 GPS 和闭环的分段全局位姿图优化，可以消除累积的漂移。此外，我们创造性地在强化学习中使用了演员评论方法来自适应地调整传感器的权重。经过训练，actor-critic agent 可以为系统提供更好的动态传感器权重。我们评估了我们系统在公共数据集上的性能，并将其与其他最先进的方法进行了比较，这表明所提出的方法在各种环境中实现了高估计精度和鲁棒性。我们的实现是开源的并且具有高度可扩展性。

24. GR-Fusion：用于具有高鲁棒性和低漂移的地面机器人的多传感器融合 SLAM

 IROS--2021

        本文提出了一种紧密耦合的管道，它有效地融合了 LiDAR、相机、IMU、编码器和 GNSS 的测量结果，即使在具有挑战性的情况下也能估计机器人状态并构建地图。通过将激光雷达点云和地平面投影到图像中来提取视觉特征的深度。我们选择跟踪的高质量视觉特征和 LiDAR 特征，并紧密耦合 IMU 和编码器的预积分值，以优化机器人的状态增量。我们使用估计的相对姿态来重新评估局部窗口中特征之间的匹配距离，并去除动态对象和异常值。在映射节点中，我们使用细化特征并紧密耦合 GNSS 测量、增量因子和局部地面约束，通过将 LiDAR 特征与全局地图对齐来进一步细化机器人的全局状态。此外，该方法可以检测传感器退化并自动重新配置优化过程。基于六轮地面机器人，我们在室内和室外环境中进行了广泛的实验，并证明所提出的 GR-Fusion 在准确性和鲁棒性方面优于最先进的 SLAM 方法。

25.GR-LOAM：用于复杂地形地面机器人的基于 LiDAR 的传感器融合 SLAM

 ROBOTICS AND AUTONOMOUS SYSTEMS--2021

        同时定位和映射是机器人导航的基本过程。我们专注于 LiDAR，通过提出 GR-LOAM（一种通过在紧密耦合方案中融合 LiDAR、惯性测量单元 (IMU) 和编码器测量来估计机器人自我运动的方法）来完成在复杂地形上行驶的地面机器人的这一过程。首先，我们推导出一个里程计增量模型，该模型融合了 IMU 和编码器测量值，以估计流形上的机器人姿态变化。然后，我们应用点云分割和特征提取来获得独特的边缘和平面特征。此外，我们提出了一种用于传感器测量的评估算法，以检测异常数据并在优化过程中减少其相应的权重。通过在本地窗口中联合优化来自 LiDAR、IMU 和编码器测量的成本，即使在复杂的地形上，我们也可以获得低漂移里程计。我们使用局部窗口中估计的相对位姿来重新评估特征之间的匹配距离并去除动态对象和异常值，从而在馈送到映射线程之前细化特征并提高映射效率。在后端，GR-LOAM 使用细化的点云，并将 IMU 和编码器测量值与地面约束紧密耦合，通过在全局地图上对齐特征来进一步细化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果证明了所提出的 GR-LOAM 用于地面机器人状态估计的高精度和鲁棒性。 

26. 紧耦合激光雷达-视觉-惯性里程计的统一多模态地标跟踪

IEEE ROBOTICS AND AUTOMATION LETTERS--2021

        我们提出了一种用于移动平台的高效多传感器里程计系统，该系统在单个集成因子图中联合优化视觉、激光雷达和惯性信息。这使用固定延迟平滑以全帧速率实时运行。为了执行这种紧密集成，提出了一种从激光雷达点云中提取 3D 线和平面图元的新方法。这种方法通过将基元视为地标并在多次扫描中跟踪它们，克服了典型帧到帧跟踪方法的次优性。使用激光雷达和相机帧的微妙被动同步，可以实现激光雷达功能与标准视觉功能和 IMU 的真正集成。 3D 功能的轻量级公式允许在单个 CPU 上实时执行。我们提出的系统已经在各种平台和场景上进行了测试，包括使用腿式机器人进行地下勘探和使用动态移动的手持设备进行户外扫描，总持续时间为 96 分钟，行驶距离为 2.4 公里。在这些测试序列中，仅使用一个外部感知传感器会由于几何约束不足（影响激光雷达）或由于剧烈的照明变化（影响视觉）导致无纹理区域而导致故障。在这些条件下，我们的因子图自然会使用每个传感器模式中可用的最佳信息，而无需任何硬开关。

27.基于因子图的平滑无矩阵求逆以实现高精度定位

 IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY--2021

        我们考虑使用来自车辆传感器的信息在环境中定位载人、半自动或自动驾驶车辆的问题，该问题称为导航或同时定位和映射 (SLAM)，具体取决于上下文。为了从传感器的测量中推断知识，同时利用有关车辆动力学的先验知识，现代方法解决了一个优化问题，以根据所有过去的观察结果计算最可能的轨迹，这种方法称为平滑。改进平滑求解器是 SLAM 社区的一个活跃研究领域。大多数工作都集中在通过反转所涉及的线性系统同时保持其稀疏性来减少计算负载。本文提出了一个问题，据我们所知，该问题尚未解决：标准平滑求解器需要明确使用传感器噪声协方差矩阵的逆矩阵。这意味着反映噪声幅度的参数必须足够大，才能使平滑器正常工作。当矩阵接近奇异时，即使用高精度现代惯性测量单元 (IMU) 时的情况，必然会出现数值问题，尤其是大多数工业航空航天应用所需的 32 位实现。我们讨论了这些问题并提出了一种基于卡尔曼滤波器的解决方案，以改进平滑算法。然后，我们利用结果设计一种基于 IMU 和视觉传感器融合的定位算法。使用配备战术级高性能 IMU 和 LiDAR 的实际汽车进行的成功实际实验说明了该方法与自动驾驶汽车领域的相关性。

28.UMA-SAR 数据集：在户外灾害响应训练演习期间从地面车辆收集多模式数据

 INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH--2021

        本文介绍了 2018 年和 2019 年在马拉加（西班牙）为实际应急响应人员进行的两次现实户外搜救 (SAR) 演习过程中从载人全地形车辆捕获的多模式原始数据集合：UMA-SAR数据集。该传感器套件适用于无人驾驶地面车辆 (UGV)，由重叠的可见光 (RGB) 和热红外 (TIR) 前视单目相机、Velodyne HDL-32 三维 (3D) 激光雷达以及惯性测量单元 (IMU) 和两个全球定位系统 (GPS) 接收器作为地面实况。我们的任务是从 SAR 领域收集广泛的数据，包括人员、车辆、碎片和非结构化地形上的 SAR 活动。特别是，在演习期间按照闭环路线收集了四个数据序列，总路径长度为5.2公里，总时间为77分钟。此外，我们还提供了三个空站点的序列以进行比较（额外的 4.9 公里和 46 分钟）。此外，数据以人类可读的格式和 rosbag 文件的形式提供，并且提供了两个特定的软件工具来提取和调整该数据集以适应用户的偏好。对先前发布的灾难机器人存储库的回顾表明，该数据集有助于填补视觉和热数据集方面的空白，并可作为跨领域领域的研究工具，例如多光谱图像融合、用于场景理解的机器学习、人和物体在非结构化环境中进行检测、定位和映射。完整的数据集可在以下位置公开获得。

29.VIRAL-Fusion：一种视觉-惯性-测距-激光雷达传感器融合方法

 IEEE TRANSACTIONS ON ROBOTICS--2022

        近年来，基于相机或激光雷达的车载自定位（OSL）方法取得了许多重大进展。然而，诸如估计漂移和低纹理环境中的鲁棒性等问题仍然是 OSL 方法的固有挑战。另一方面，基于基础设施的方法通常可以克服这些问题，但代价是一些安装成本。这就提出了一个有趣的问题，即如何有效地结合这些方法，以实现与任何单一方法相比具有长期一致性和灵活性的本地化。为此，我们提出了一种基于优化的综合估计器，用于无人机 (UAV) 的 15-D 状态，融合来自大量传感器的数据：惯性测量单元 (IMU)、超宽带 (UWB) 测距传感器、以及多个车载视觉惯性和激光雷达里程计子系统。本质上，滑动窗口用于制定一系列机器人位姿，其中在 IMU 预积分和 OSL 观察中观察到这些位姿之间的相对旋转和平移约束，而在身体偏移 UWB 范围观察中观察到方向和位置。开发了一种基于优化的方法来估计机器人在该滑动窗口中的轨迹。我们评估了该方案在多个场景中的性能，包括公共数据集的实验、高保真图形物理模拟和无人机飞行测试的现场收集数据。结果表明，我们的集成定位方法可以有效地解决漂移问题，同时产生最小的安装要求。

30.用于室内环境的具有平面特征的连续 6DOF LIDAR&IMU 图形 SLAM 的简单闭环

 ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING--2021

        同步定位和地图绘制 (SLAM) 是全球导航卫星系统 (GNSS) 无法使用的地图绘制环境中的基本技术，例如室内空间。在本文中，我们提出了一种用于室内环境的闭环连续时间 LIDAR-IMU SLAM。所提出的 SLAM 的设计基于任意定向的平面特征，允许点到平面匹配以进行局部优化和全局优化。此外，为了在优化过程中更新 SLAM 图，我们提出了一种简单而优雅的闭环方法，将平面合并在一起。由于室内建筑环境中大量存在平面结构，因此用平面表示 SLAM 地图是有利的。所提出的方法在安装在可穿戴平台（背包）上的三个 2D LIDAR 扫描仪的特定配置上进行了验证。将扫描的点云与从商业移动测绘系统 (Viametris iMS3D) 和地面激光扫描仪 (RIEGL VZ-400) 获得的点云进行比较。实验结果表明，我们的 SLAM 系统能够映射多层建筑物、楼梯、杂乱区域和弯曲墙壁区域。此外，我们的 SLAM 系统提供了与商业系统相当的性能，这从两个系统生成的点云之间的低偏差可以看出。大多数云到云的绝对距离（约 92%）小于 3 厘米。

31.基于多传感器融合的无人地面车辆鲁棒激光雷达定位方案

 IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS--2021（14.255）

        本文通过多传感器融合方法，在全球定位系统 (GPS) 拒绝和 GPS 挑战的环境中为无人地面车辆 (UGV) 提出了一种稳健且精确的定位方案。定位方案被提议在可用的点云地图下。首先，定位模块中的初始化被设计为使用高斯投影方法计算UGV在地图中的初始位置，并获得3-D激光雷达和惯性测量单元（IMU）之间的帧变换。其次，获得每个扫描帧与可用子图之间的最佳对齐，并计算车辆相对于地图原点的位姿。第三，通过整合来自 3-D 激光雷达和 IMU 的数据，很好地预测了 UGV 的精确姿态。第四，为了直观地验证所提出的定位方案，通过设计可视化模块将车辆的运动可视化。请注意，预处理模块旨在处理原始扫描数据。我们提出的本地化方案的可用性通过在我们的校园中进行实验来验证。

32.LIO-Vehicle：LiDAR惯性里程计的紧密耦合车辆动力学扩展

IEEE ROBOTICS AND AUTOMATION LETTERS--2022 

        我们提出了 LIO-Vehicle，这是 LiDAR 惯性里程计 (LIO) 方法的一种新的紧密耦合车辆动力学扩展，可提供高度准确、稳健和实时的车辆轨迹估计。由于大多数现有的基于 LiDAR 的定位方法都不是专门针对车辆提出的，因此它们没有考虑地面机器人的运动约束。而且它们可能在没有结构的区域（例如隧道和狭窄的走廊）中效果不佳。对于在这些 LiDAR 退化情况下的 LIO，由于没有外部定期校正的误差累积，仅惯性传感器无法维持可靠的长期精度。因此，有必要引入其他低成本的传感器和车辆运动约束来构建更准确和鲁棒的里程计算法。在这封信中，我们使用车轮速度计和转向角传感器测量来建立一个二自由度车辆动力学模型，然后根据模型的输出构造一个预积分因子。在后端，我们将车辆动力学预积分结果、IMU 预积分测量结果和 LiDAR 里程计结果添加到因子图中，并借助滑动窗口优化得到优化结果。实验表明，与现有的 LiDAR 惯性里程计方法相比，该方法可以实现更高的定位精度，并且可以显着降低环境特征不足以进行 LiDAR 里程计的恶劣区域的导航误差。 

33.Panovild：具有挑战性的全景视野，用于同时本地化和映射的惯性和激光雷达数据集

JOURNAL OF SUPERCOMPUTING--2022

        本文介绍了一个具有挑战性的全景视觉和激光雷达数据集，该数据集是由位于中华民族大学校园的一辆自动驾驶汽车收集的，用于促进机器人研究。该车配备了点灰色瓢虫3摄像头、3D激光雷达、全球定位系统（GPS）和惯性测量装置（IMU）。数据是在室外环境中驾驶时收集的，包括停车场、半越野道路和校园道路交通场景等各种场景。安装在车辆上的所有传感器的数据都会及时注册和同步。数据集包括来自3D激光雷达、图像、GPS和IMU测量的点云。视觉数据包含多个鱼眼图像，这些图像覆盖了瓢虫3的各个摄像头以高分辨率拍摄的360视野，并精确缝合了球面全景图像。多鱼眼和精确全景图像的可用性可用于开发和验证基于多鱼眼、全景和3D激光雷达的同步定位和测绘（SLAM）系统。收集数据集的目的是针对各种应用，如里程表、SLAM、环路闭合检测、基于深度学习的视觉算法、惯性、激光雷达以及视觉、惯性和3D信息的融合。为了评估算法，提供了高精度RTK GPS测量值，以进行测试和评估。

34.用于感知退化场景的紧密耦合激光雷达惯性SLAM

SENSORS--2022 

        实现对感知退化场景（如地下隧道、走廊和道路）的鲁棒六自由度（6DOF）状态估计和高性能同步定位与映射（SLAM）是机器人技术的一个挑战。为了解决这些问题，我们提出了一种基于紧耦合LiDAR IMU融合的SLAM算法，该算法由前端迭代卡尔曼滤波和后端姿态图优化两部分组成。首先，在前端建立一个迭代卡尔曼滤波器，构造一个紧密耦合的激光雷达惯性里程计（LIO）。机器人先验位置和姿态的状态传播过程使用预测和观测，提高了姿态的精度，增强了系统的鲁棒性。其次，在后端，我们部署了一个关键帧选择策略，以满足大规模场景的实时要求。此外，在紧耦合框架中添加了环路检测和接地约束，从而进一步提高了6DOF状态估计的总体精度。最后，使用公共数据集和我们收集的数据集验证算法的性能。实验结果表明，对于感知退化的场景，与现有的LiDAR SLAM算法相比，我们提出的算法赋予机器人更高的精度、实时性和鲁棒性，有效地减少了系统的累积误差，并确保了构建地图的全局一致性。

35.M2DGR：地面机器人的多传感器和多场景SLAM数据集

IEEE ROBOTICS AND AUTOMATION LETTERS--2022 

        我们介绍了M2DGR：一个由地面机器人收集的新型大规模数据集，具有完整的传感器套件，包括六个鱼眼和一个指向天空的RGB摄像机、一个红外摄像机、一台事件摄像机、一种视觉惯性传感器（VI传感器）、一个惯性测量单元（IMU）、一台激光雷达、，一个消费级全球导航卫星系统（GNSS）接收器和一个带有实时动态（RTK）信号的GNSS-IMU导航系统。所有这些传感器都经过了良好的校准和同步，并同时记录了它们的数据。地面真实轨迹由运动捕捉设备、激光3D跟踪器和RTK接收机获得。该数据集包括36个序列（约1 TB），在不同的场景中捕获，包括室内和室外环境。我们评估了M2DGR上最先进的SLAM算法。结果表明，现有解决方案在某些情况下表现不佳。为了研究社区的利益，我们公开了数据集和工具。

36.EKF-LOAM：LiDAR SLAM与车轮里程表和惯性数据的自适应融合，适用于几何特征较少的受限空间

IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING--2022(6.636) 

         精确的定位系统和正确表示环境的地图是多种机器人应用的基础。传统的 LiDAR SLAM 算法特别容易低估真实机器人在几何特征很少的环境中所覆盖的距离。常见的工业密闭空间，例如管道和走廊，具有长而均匀的结构，难以绘制地图。在本文中，我们提出了一种新方法，即

EKF-LOAM，它使用扩展卡尔曼滤波器将车轮里程计和 IMU（惯性测量单元）数据融合到

LeGO-LOAM 算法中。为此，EKF-LOAM 使用基于检测到的几何特征数量的简单且轻量级的自适应协方差矩阵。 EspeleoRobô 是一种用于检查受限场所的服务机器人，其模拟和实际实验表明，EKF-LOAM 方法减少了低估问题，与原来的 LeGO-LOAM 算法相比，改进了 50% 以上。

37.一种适用于大尺度环境的鲁棒精确激光雷达惯性GPS里程测量与测绘方法

 IEEE-ASME TRANSACTIONS ON MECHATRONICS--2022(5.867)

        在本文中，我们提出了一种能够融合惯性测量单元（IMU）、光探测与测距（LiDAR）和间歇性全球定位系统（GPS）测量的系统，以实现大规模环境中的高精度定位和制图。迭代误差状态卡尔曼滤波器用于融合IMU和LiDAR测量，以快速估计相对运动信息。基于因子图，LiDAR、GPS测量和环路闭合被转换为约束，用于联合优化，以构建全球地图。设计了一种基于IMU预积分理论和残差卡方检验的实时GPS离群点检测方法。此外，支持使用健壮内核，以隐式减少未检测到的GPS异常值对系统的影响。设计了一种基于激光雷达的环路闭合检测器，可以搜索具有相似几何信息的一对点云。重要的是，通过一系列实验，将所提出方法的性能与最先进的方法进行了比较。实验结果表明，该方法具有较强的鲁棒性和准确性，能够完成大规模环境下的定位和映射任务。