FAST-LIO, ikd-Tree, FAST-LIO2, FASTER-LIO论文总结

目录

一、FAST-LIO

本文的三个创新点:

FAST-LIO框架

二、ikd-Tree

三、FAST-LIO2

四、FASTER-LIO


一、FAST-LIO

FAST-LIO三个创新点

  1.  将IMU和雷达点特征点紧耦合在一起;
  2. 考虑到了运动补偿(使用反向传播);
  3. 将IEKF中的卡尔曼增益由原来的PH^{T}(HPH^{T}+R)^{-1}转变为(H^{T}R^{-1}H+P^{-1})^{-1}H^{T}R^{-1},这样做的好处是原本公式求逆中的矩阵是观测维度的,新公式求逆中的矩阵是状态维度的,需要求逆的矩阵维度减小了(因为在实际情况中,激光特征点的数量维度要远大于状态量的维度)。

FAST-LIO框架

        本文的IEKF的更新频率是基于雷达的采样频率k,一帧雷达点云估计出一个后验状态。其中状态方程是IMU离散传播。观测方程是scan-submap匹配的,特征用点和面特征。

        每帧状态量会做反向传播利用△ T传播到特征点时间戳下的状态T_{j}(一帧雷达点云包含若干个IMU状态,两个IMU状态之间包含若干个特征时间戳,在计算时考虑到了不同的IMU状态),将特征点经过外参_{L}^{I}TT_{j}_{I}^{L}T进行运动补偿。然后将点转换到global坐标系与submap关联计算点-线,点-面的距离,这个过程是观测方程。本文将状态方程进行一阶泰勒展开。通过IEKF的方式迭代估计x\hat{}_{k}^{k+1},直到每次迭代的增量小于阈值,表示收敛。

IEKF与EKF的区别是对状态方程进行泰勒展开后,在计算后验状态量x\hat{}_{k}^{k+1}的公式不同,最终的后验状态就是收敛时最终的x\hat{}_{k}^{k+1}

二、ikd-Tree

这篇文章翻译的不错https://blog.csdn.net/weixin_43910370/article/details/121705356

  1. 在point-wise和block-wise,通过对结点新加了deleted, treedeleted, pushdown,treesize, invalidnum属性,进而减小了插入,删除,检索,re-insert的时间复杂度,并达到增量更新的目的;并且能够通过设置的参数,检测到二叉树不平衡时,进行重建。
  2. 实验主要和静态tree进行对比,增量更新时间复杂度降低,查询复杂度烧逊色于静态tree,如下图所示:

FAST-LIO, ikd-Tree, FAST-LIO2, FASTER-LIO论文总结_第1张图片

  1. 在FAST-LIO系统里比较其使用static-tree和ikd-tree,系统大约运行7分钟。如下图所示:ikd-tree插入比static-tree快;查询+更新时间大约快7-8倍。

FAST-LIO, ikd-Tree, FAST-LIO2, FASTER-LIO论文总结_第2张图片

三、FAST-LIO2

  1. 不用线,面特征点而使用全局点云。
  2. 使用ESKF做前端进行点云配准。
  3. 使用ikd-tree存储点云。

四、FASTER-LIO

高翔组的论文,整体是在FAST-LIO2的框架上改进的。

  1. 前端没有使用特征点,而是使用所有点
  2. 使用迭代ESKF(IEKF)
  3. 使用ivoxel存储点云,voxel删除使用被动删除LRU,检索时考虑到voxel。在每个voxel里使用线性和PHC两种方式,点的数目多时使用PHC。
  4. 实验和FAST-LIO2相比,精度差不多,属于牺牲了配准的精度而减少处理时间。系统整体上在大多数的数据集上是时间减少了一半。

你可能感兴趣的:(激光SLAM,自动驾驶,SLAM)