首页 > 汽车技术 > 正文

基于增量平滑地图的紧耦合激光雷达惯性里程计

2020-08-05 00:09:23·  来源:同济智能汽车研究所  
 
编者按:自动驾驶车辆的研究可分为感知、定位、决策、规划、控制等层面,其中定位的准确性和精度直接决定了后续规划算法的可行性,从而进一步影响整个决策和对车
编者按:自动驾驶车辆的研究可分为感知、定位、决策、规划、控制等层面,其中定位的准确性和精度直接决定了后续规划算法的可行性,从而进一步影响整个决策和对车辆的控制过程。近年来,同时定位与建图技术发展迅速,以激光雷达,惯性导航为主的多传感器融合技术,使得自动驾驶主要场景下的定位精度能够达到厘米级。本文提出了一种通过增量平滑地图实现紧耦合激光雷达惯性里程计的框架LIO-SAM,它可实现高精度,实时的移动机器人轨迹估计和地图构建。
 
文章译自:
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
文章来源:
IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS)
 
作者:
Shan, Tixiao and Englot, Brendan
原文链接:
https://arxiv.org/abs/2007.00258
 
摘要: LIO-SAM中激光雷达惯性里程计基于一个因子图,其允许多个不同来源的相对或绝对测量值和回环等作为因子加入图中。为了确保实时的高性能,我们边缘化旧的激光雷达帧来优化位姿,而不是将激光雷达帧匹配到全局地图。。同时,选择性地引入关键帧以及以有效的滑动窗口方法将新的关键帧注册到固定大小的“子关键帧”先验集合中,在本地范围而不是全局范围内进行扫描匹配可显着提高系统的实时性能。最后,在从不同规模和环境的三个平台收集的数据集上,对该方法进行了广泛的评估。
 
关键词: 激光雷达;惯性导航;紧耦合;定位
 
1 前言
状态估计,定位和建图是成功的智能移动机器人的基本前提,也是进行反馈控制,避障和规划等许多其他功能的基础。其中,使用基于视觉的和基于激光雷达的感知,已经实现可支持移动设备的高性能实时同步定位于建图(SLAM)机器人的六自由度状态估计。基于视觉方法通常使用单目或立体相机,在连续图像中对特征进行三角化以确定相机运动。尽管基于视觉的方法特别适合于位置识别,但是由于其对初始化,照明和尺度敏感使得仅使用相机来进行自主导航系统并不可靠。另一方面,基于激光雷达的方法是在很大程度上对光照不敏感。随着近距离远程高分辨率3D激光雷达(例如Velodyne VLS-128和Ouster OS1-128),激光雷达变得更适合直接捕捉3D空间中的环境的精细细节。因此,本文重点基于激光雷达的状态估计和建图方法。
在过去的二十年中,已经提出了许多基于激光雷达的状态估计和建图方法。其中,在文献[1]中提出的用于低漂移和实时状态估计和映射的激光雷达测距和建图(LOAM)方法是使用最广泛的方法。LOAM仅使用一个激光雷达和一个惯性测量单元(IMU)表现最为出色,并且自从它在KITTI 里程计模块发布以来就被评为基于激光雷达的顶级方法[2]。尽管如此,LOAM还是有一些局限性:因为数据被储存在一个全局的体素地图中,通常很难执行闭环检测并结合其他绝对测量值,例如GPS进行位姿校正。当体素地图在多特征场景中变得稠密时,它的在线优化过程变得低效。在大规模场景测试中,LOAM漂移较大,因为它的核心是基于扫描匹配的方法。
在本文中,我们通过增量平滑地图实现了一个紧耦合的激光雷达惯性里程计框架LIO-SAM来解决上述问题。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IMU有效执行传感器融合,在机器人姿态中合并位置识别,并在可用时引入绝对测量,例如GPS定位和指南针航向。这些不同来源的因素集合用于图的联合优化。此外,我们边缘化旧的激光雷达帧用于位姿优化,而不是像LOAM这样匹配到全局地图中。本地范围而不是全局范围的帧匹配可以显著提高系统实时性,选择性引入关键帧和有效的滑动窗口将新关键帧注册到一组固定大小的方法之前的“子关键帧”。我们工作的主要贡献可以总结如下:
1、在因子图之上建立了紧耦合的激光雷达惯性里程计框架,其适用于多传感器融合和全局优化。
2、提出了一种有效的,基于本地滑动窗口的扫描匹配方法,通过将选定的新关键帧注册到固定大小的先前子关键帧集,可以保证实时性。
3、所提出的方法通过各种规模,车辆和环境的测试得到了广泛验证。
 
 (a) 
 
(b)
图1:我们提出的框架的代表性结果。(a)一名操作员携带传感器套件,在MIT校园内走来走去(b)仅使用激光雷达和IMU数据构建的点云图。颜色变化表示高程变化。
2 相关工作
激光雷达里程计通常通过使用扫描匹配方法(例如ICP[3]和GICP[4])来找到在两个连续帧之间进行相对变换。相比于基于点云的匹配,基于特征的匹配方法计算效率较高。例如,在[5]中,提出了一种基于平面的实时激光雷达里程计。假设环境是结构化的,它从点云中提取平面并通过解决最小二乘问题来进行匹配。[6]中采用基于线匹配的方法来估算里程计。在这种方法中,线段是从原始点云随机生成的并用于配准。但是,由于3D激光雷达的旋转,得到的点云经常会发生畸变。所以,仅使用激光雷达进行位姿估计并不理想,因为使用畸变的点云或者特征点云进行配准会导致较大的漂移。
因此,激光雷达通常与其他传感器比如IMU和GPS等,一起用于位姿估计与建图。这种利用传感器融合的设计方案通常分为两类:松耦合和紧耦合。在LOAM中,IMU用于去除点云畸变,并为帧间配准提供先验运动信息。但是IMU并未参与算法后端优化。因此,LOAM可以被归为松耦合方法。文献[7]中提出了一种针对车辆轻型的地面优化的激光雷达里程计和制图方法(LeGO-LOAM)。它对于IMU的耦合与LOAM类似。一个更加流行的松耦合方法是使用卡尔曼滤波(EKF)。例如[8]-[12]集成了来自于激光雷达、IMU、选择性地加入GPS信息,使用EKF进行机器人位姿估计。
紧耦合的方法通常可以提供更高的精度,并且成为了当前研究的重点[13]。在[14]中,IMU预积分被用于校正点云畸变。[15]中提出以机器人为中心的激光雷达惯性状态估计方法R-LINS。R-LINS使用错误状态卡尔曼滤波器以紧耦合的方式来递归地纠正机器人的状态估计。由于缺乏其他可用的状态估计的传感器,在长距离的行驶中会出现漂移。[16]中介绍了紧耦合激光雷达惯性里程计和制图框架LIOM。LIOM,是LIO-mapping的缩写,LIO-mapping联合优化了激光雷达和IMU的测量值,与LOAM相比,达到了相似或更好的精度。由于LIOM旨在处理所有传感器测量值,无法实现实时性。在我们的测试中,它的实时性约为0.6倍。
 
3 基于增量平滑地图实现激光雷达惯性里程计
A系统概述
首先定义文中要用到的坐标系和符号。W:世界坐标系;B:载体坐标系。同时假设IMU坐标系与载体坐标系一致。机器人状态x可以被表示为:
 
其中,是旋转矩阵,是位置向量,是速度,b是IMU的偏置。从坐标系B到坐标系W的转换矩阵为,被表示为T=[R|p]。
 
 
 
系统概述如图2所示。该系统从3D激光雷达,IMU和可选的GPS中接收传感器信息。我们试图用这些传感器的测量结果来估计机器人的状态和轨迹。这个状态估计问题可以表述为最大后验(MAP)问题。我们使用因子图来将问题建模,与贝叶斯网络相比,它更适合推理。假设符合高斯噪声模型,我们的问题的MAP推论是等效于解决非线性最小二乘问题[17]。在不失一般性的前提下,系统可以还合并了其他传感器的测量值,例如高度计的高度或指南针的方向。
 
图2:LIO-SAM的系统结构。该系统接收3D激光雷达,IMU和GPS(可选)的输入。引入了四种类型的因子来构建因子图:(a)IMU预积分因子(b)激光雷达里程计因子(c)GPS因子和(d)回环因子。这些因素的产生将在第三部分中讨论。
我们介绍四种类型的因子以及一种用于构造因子图的变量类型。这个变量代表特定时间的机器人状态,并用图的节点表示。四种类型的因素是:(a)IMU预积分因子,(b)激光雷达里程计因子,(c)GPS因子,和(d)回环因子。当机器人的位姿变化超过了用户定义的阈值,一个新的机器人状态节点x将会被添加到图中。在插入新节点时使用贝叶斯树(iSAM2)[18]进行增量平滑和映射,从而优化因子图。这些因素的产生过程在以下各节。
B IMU预积分因子
IMU中角速度和加速度的测量使用等式2和3来定义
 
其中,和是IMU在坐标系B下的原始测量值。和收到缓慢变化的偏置bt和白噪声nt的影响。是从坐标系W到坐标系B的变换矩阵,g是坐标系W下的重力加速度。
 
 
 
我们可以使用IMU的测量值来推理机器人的运动。机器人在t+Δt时刻的速度,位置和旋转计算如下:
 
其中。这里我们假设积分过程中B坐标系下的角速度和加速度保持不变。
 
之后我们使用[19]中提出的IMU预积分来得到两帧之间的相对运动。时间i和时间j之间的积分后的测量值Δvij , Δp ΔRij使用下式计算:
 
由于篇幅有限,公式7-9的具体推导过程请参见[19]。除了效率外,使用IMU预积分还为因子图提供了IMU预积分因子约束。IMU偏置将与激光雷达里程计因子在图中进行联合优化。
C 激光雷达里程计因子
当新的激光帧到达时,首先进行特征提取。角特征和面特征通过评估点在全局范围内的粗糙度得到。粗糙度较大的点被归类为角特征,粗糙度较小的点被归类为面特征。我们将i时刻提取的角特征和面特征分别计为和。i时刻提取的所有特征组成一个激光雷达帧。需要注意的是激光雷达帧是在坐标系B下的。如果使用距离图像,则可以在[1]或[7]中找到特征提取过程的更详细描述。
 
 
 
 
将每个激光雷达帧进行计算并添加到因子图上在计算上是很难的,因此我们采用广泛应用在视觉SLAM领域的关键帧概念。使用简单但有效的启发式的方法,当机器人位姿相比于以前的状态xi的变化超过用户定义的阈值,我们选择激光雷达帧作为关键帧。新保存的关键帧与因子图中新的机器人状态节点xi+1相关联。两个的激光雷达关键帧之间的帧将被丢弃。以这种方式添加关键帧不仅在地图密度和内存消耗之间取得平衡,也有助于维护一个相对稀疏的因子图,适用于实时非线性优化。在我们的工作中,用于添加新关键帧的位置和旋转变化阈值选择为1m和10°。
 
让我们假设我们希望向因子图中添加一个新的状态节点xi+1。与之相关的激光雷达关键帧为。激光雷达里程计因子描述如下:
(1)体素地图中的子关键帧集合:我们应用滑动窗口算法来构建一个仅包含固定数目的最新的激光雷达帧的点云地图。我们没有优化两个连续激光帧间的变换,而是提取n个最新的关键帧(称为子关键帧集)来估计。子关键帧集用相应的转换矩阵变换到世界坐标系W下。变换后的子关键帧集合被合并到体素地图中。因为我们在特征提取阶段提取了两种类型的特征,所以也有两种子体素地图:角特征体素地图和面特征体素地图。激光雷达帧和体素地图中间的关系表示如下
 
 
 
 
 
和是世界坐标系下变换后的角特征和面特征。和之后进行下采样以消除属于同一体素单元的重复特征。在本文中,n被选择为25,和下采样分辨率分别为0.2m和0.4。
 
 
 
 
 
(2)帧间匹配:
我们匹配一个新获得的激光雷达帧(即为)到。为此,可以使用许多不同的帧匹配方法,例如[3]和[4]。本文我们用[1]中提出的方法因为其在各种挑战性环境中的计算效率和鲁棒性。
 
 
 
我们首先将帧从坐标系B转换到W得到。最初的转换矩阵使用IMU中预期机器人运动得到。对于中的每个特征,我们在中寻找对应的角特征和面特征。为了简洁起见,查找这些对应关系的详细过程是此处省略,但在[1]中进行了详细描述。
 
 
 
 
(3)相关转换
对于一个特征与其相关的角或者面特征的距离可以通过以下两个式子计算
 
式子中k,v,u,ω是相关特征集合中的特征索引。对于中的每个角特征,,和是在地图中构成相关角特征线的特征点。对于中的每个面特征,和组成地图中的相关平面。那个一个特征及其对应线或者平面之间的距离如下:
 
 
 
 
 
 
 
 
 
之后使用Levenberg-Marquardt方法来优化转换矩阵。当优化过程收敛时,我们令。最后我们得到了xi和xi+1之间的相对转换,即为连接两个位姿的激光雷达里程计因子
 
 
 
我们注意到另一种得到的方法是转换子关键帧集到xi坐标系。换句话说,我们将匹配到xi坐标系下的体素地图中。因此可以直接获得真实的相对变换。由于变换后的特征和可以被多次利用,我们选择在章节ΙΙΙ-c中用到的方法来提升计算效率。
 
D GPS因子
尽管我们仅通过使用IMU预积分和激光雷达里程计因子就可以获得可靠的状态估计和建图,但是在长时间导航任务中,系统仍然会出现漂移。为了解决这个问题,我们可以引入提供绝对测量的传感器以消除漂移。这样的传感器包括高度计,指南针和GPS。为了便于说明,我们讨论了GPS,因为GPS已在现实世界的导航系统中广泛使用。
 
当我们接收GPS测量值时,我们首先使用[20]中提出的方法将其转换为本地笛卡尔坐标系。在将新节点添加到因子图中后,我们将新的GPS因子与此节点相关联。如果GPS信号未与激光雷达进行硬件同步,则我们将基于激光雷达的时间戳在GPS测量值之间进行线性插值。
 
我们注意到,由于激光雷达惯性里程计的漂移增长得非常缓慢,因此在GPS可用时持续添加GPS因子没有必要。实际上,我们仅在估计的位置协方差大于接收到的GPS位置协方差时添加GPS因子。
 
E 回环因子
由于使用了因子图,因此与LOAM和LIOM相比,闭环也可以无缝地集成到系统中。为了进行说明,我们描述并实现了一种简单但有效的基于欧氏距离的闭环检测方法。我们还注意到,我们提出的方法与其他用于闭环检测的方法兼容,例如[21]和[22],它们生成点云描述符并将其用于位置识别。
当将新状态xi+1添加到因子图中时,我们首先搜索该图并找到在欧几里得空间中接近xi+1的先前状态。如图2所示,例如,x3是返回的候选之一。然后,我们尝试使用第III-C节中讨论的扫描匹配方法将Fi + 1与子关键帧{F3-m,...,F3,...,F3 + m}进行匹配。请注意,在扫描匹配之前,Fi+ 1和过去的子关键帧首先被转换到坐标系W下。我们获得相对变换并将其作为循环闭合因子添加到图中。在本文中,我们将索引m选择为12,并且将回环的搜索距离设置为从新状态xi+1开始的15m。
 
在实践中,当GPS是唯一可用的绝对传感器时,我们发现添加闭环系数对于校正机器人高度的漂移特别有用。这是因为GPS的海拔高度测量非常不准确-在没有回环的情况下,我们的测试导致高度误差接近100m。
 
4 实验
现在,我们描述了一系列实验,以定性和定量地分析我们提出的方法。本文使用的传感器套件包括Velodyne VLP16激光雷达,MicroStrain 3DM-GX5-25IMU和Reach M GPS。为了进行验证,我们收集了5个不同规模,不同平台和环境的不同数据集。这些数据集分别称为旋转,步行,校园,公园和阿姆斯特丹。传感器安装平台如图3所示。前三个数据集是使用MIT校园内的定制手持设备收集的。公园数据集是通过无人小车采集平台,在布满杂草的公园场景下采集。最新的阿姆斯特丹数据集,是在船上采集的。关于数据集的具体细节见下表1.
 
我们将LIO-SAM和另外两个算法框架,LOAM,LIOM进行了比较。在所有的实验中,LIO-SAM和LOAM要求实时运行,而LIOM则允许足够的时间保证处理所有的传感器测量数据。所有的代码都采用了C++,硬件平台为Intel i7-10710U CPU,系统为Ubuntu,使用ROS机器人操作系统。
 
图3:数据集的三个平台(a)手持设备(b)无人小车(c)电动船
A.  旋转数据集
这次测试我们主要评估当只将IMU预积分和激光里程计因子加入因子图时,算法框架的鲁棒性。旋转数据集是通过手持设备采集的,并且采集时候给了一些旋转的强激励。测试环境,如图4(a)所示。通过LOAM和LIO-SAM获得的地图如图4(b)和4(c)所示。因为LIOM使用了和[24]相同的初始化方法,所以它继承了视觉惯性SLAM的相同初始化敏感性,并且无法使用此数据集正确初始化。由于无法产生有意义的结果,因此未显示LIOM的图。如图所示,相比LOAM,LIO-SAM的地图保留了环境的更精细的结构细节,这是因为即使机器人快速旋转,LIO-SAM仍能够将每个激光雷达框架精确地在SO(3)空间上对准。
 
图4:旋转测试中LOAM和LIO-SAM的建图结果。LIOM建图失败
B.  步行数据集
此测试旨在评估当系统在SE(3)空间中经历剧烈的平移和旋转时我们方法的性能。在数据收集过程中,用户持有图3(a)所示的传感器套件,并快速走过MIT校园,图5(a)。在该测试中,当遇到剧烈旋转时,图5(b)所示的LOAM在多个位置发散。在此测试中,LIOM优于LOAM。但是,图5(c)所示的地图在各个位置仍略有不同,并且由许多模糊结构组成。因为LIOM被设计为处理所有传感器测量,所以它仅以0.56倍速实时运行,而其他方法则是实时运行。最后,LIO-SAM的性能优于这两种方法,并且生成的地图与可用的Google Earth图像一致。
 
图5 LOAM,LIOM,LIO-SAM使用步行数据集的建图结果
C.  校园数据集
此测试旨在显示引入GPS和环路闭合因子的好处。为此,我们有意禁止在图中插入GPS和回环因子。当GPS和回环同时不作用,我们的方法被称为LIO-odom,它仅利用IMU预积分和激光雷达里程计因子。当使用GPS因子时,我们的方法称为LIO-GPS,它使用IMU预积分,激光雷达测距法和GPS因子进行图形构建。LIO-SAM在可用时会使用所有因素。
为了收集此数据集,用户使用手持设备在MIT校园中漫步并返回相同的位置。由于地图区域中的建筑物和树木众多,因此GPS接收很少可用,而且大部分时间都不准确。在滤除不一致的GPS测量值之后,可用GPS的区域在图6(a)中显示为绿色部分。这些区域对应于未被建筑物或树木包围的少数区域。LOAM,LIO-odom,LIO-GPS和LIO-SAM的估计轨迹如图6(a)所示。 LIOM的结果由于未正确初始化和产生有意义的结果而未显示。如图所示,与所有其他方法相比,LOAM的轨迹明显漂移。如果不校正GPS数据,则LIO-odom的轨迹开始明显地漂移到地图的右下角。借助GPS数据,LIO-GPS可以在可用时校正漂移。但是,GPS数据不适用于数据集的后半部分。结果,当机器人由于漂移而返回到起始位置时,LIO-GPS无法回环。另一方面,LIOSAM可以通过在图形中添加回环因子来消除漂移。LIO-SAM的地图与Google Earth的影像非常吻合,如图6(b)所示。表II显示了机器人返回起点时所有方法的相对平移误差。
 
 
图6:使用MIT校园数据集测试不同方法的结果。(a)中红点表示起止点,轨迹方向是顺时针。LIOM由于失效没有显示在图中。
D.  公园数据集
在此测试中,我们将传感器安装在UGV上,并沿着新泽西州普莱森特瓦利公园的森林远足径驾驶车辆。驾驶40分钟后,机器人将返回其初始位置。UGV在三个路面上行驶:沥青,被草覆盖的地面和被尘土覆盖的小路。由于没有悬架,因此在非沥青路面上行驶时,机器人会受到较小但高频的振动。为了模拟具有挑战性的地图绘制场景,我们仅在机器人处于宽阔的区域时才使用GPS测量,这在图7(a)中用绿色部分表示。这种建图方案代表了一项任务,在该任务中,机器人必须在多个GPS失效的区域建图,并定期返回具有GPS可用性的区域以校正漂移。
与以前的测试结果相似,LOAM,LIOM和LIO-odom会遭受明显的漂移,因为没有绝对校正数据可用。此外,LIOM仅在0.67倍速实时运行,而其他方法则实时运行。尽管LIO-GPS和LIO-SAM的轨迹在水平面内重合,但它们的相对平移误差却有所不同(表II)。由于没有可靠的绝对海拔高度测量值,因此LIO-GPS会出现高度漂移,并且在返回机器人的初始位置时无法闭环。而LIO-SAM没有这种问题,因为它利用闭环因子来消除漂移。
 
图7:使用公园数据集测试不同方法的结果。(a)中红点表示起止点,轨迹方向是顺时针。LIOM由于失效没有显示在图中。
E.  阿姆斯特丹数据集
最后,我们将传感器套件安装在船上,并沿着阿姆斯特丹的运河航行了3个小时。尽管在此测试中传感器的移动相对平稳,但出于以下几个原因,绘制运河图仍然具有挑战性。运河上的许多桥梁构成了简陋的场景,因为船在它们下面时几乎没有有用的功能,类似于穿过漫长而毫无特色的走廊。平面特征的数量也明显减少,因为不存在地面。当阳光直射在传感器视场中时,我们会从激光雷达中观察到许多错误的检测结果,在数据收集过程中大约20%的时间会发生这种情况。由于桥梁和城市建筑的上方,我们也只能获得间歇性的GPS接收。
由于这些挑战,LOAM,LIOM和LIO-odom都无法在此测试中产生有意义的结果。与公园数据集中遇到的问题类似,由于海拔高度的变化,LIO-GPS在返回机器人的初始位置时无法回环,这进一步激发了我们在LIO-SAM中使用回环因子的动机。
F.  对标结果
由于仅GPS数据集可提供完整的GPS覆盖范围,因此我们向GPS测量历史显示均方根误差(RMSE)结果,这被视为地面真实情况。此RMSE错误未考虑沿z轴的错误。如表III所示,就GPS地面真相而言,LIO-GPS和LIO-SAM实现了相似的RMSE误差。请注意,我们可以通过完全访问所有GPS测量值来进一步降低这两种方法的误差至少一个数量级。但是,在许多地图设置中,始终无法完全访问GPS。我们的目的是设计一个可以在各种挑战性环境中运行的强大系统。
表IV显示了三种竞争方法在所有五个数据集中配准一个激光雷达帧的平均运行时间。在所有测试中,LOAM和LIO-SAM被迫实时运行。换句话说,如果在激光雷达转速为10Hz时运行时间超过100毫秒,则会丢弃某些激光雷达帧。LIOM有无限的时间来处理每个激光雷达框架。LIO-SAM使用的运行时明显少于其他两种方法,这使其更适合部署在低功耗嵌入式系统上。
我们还通过比实时提供数据更快的速度对LIO-SAM进行压力测试。与数据回放速度为1倍速实时时的结果相比,当LIO-SAM实现类似性能而没有失败时,记录其最大数据回放速度,并显示在表IV的最后一栏中。可见,LIO-SAM能够处理数据的速度最快可以到达13倍速实时运行。补充视频中显示了以10倍速实时处理校园数据集的测试。
我们注意到LIO-SAM运行时间更加受特征图密度的影响,而受因子图中节点数和因子的影响较小。例如,公园数据集是在特征丰富的环境中收集的,植被导致大量特征,而阿姆斯特丹数据集则生成稀疏特征图。Park测试的因子图由4,573个节点和9,365个因子组成,而阿姆斯特丹测试中的图具有23,304个节点和49,617个因子。尽管如此,与公园测试中的运行时相比,LIO-SAM在阿姆斯特丹测试中使用的时间更少。
 
 
图8:LIO-SAM建图和Google Earth的对比
5 结论与讨论
我们已经提出了LIO-SAM,它是通过平滑方法,紧耦合激光雷达惯性里程测量的框架,用于在复杂环境中执行实时状态估计和建图。通过在要素图上制定激光雷达惯性里程表,LIO-SAM特别适用于多传感器融合。附加的传感器测量值可以轻松地作为新因素纳入框架。提供绝对测量值的传感器(例如GPS,指南针或高度计)可用于消除长时间累积的激光雷达惯性里程表或在功能较差的环境中的漂移。位置识别也可以轻松地集成到系统中。为了提高系统的实时性能,我们提出了一种滑动窗口方法,该方法将旧的激光雷达框架边缘化以进行扫描匹配。关键帧被选择性地添加到因子图中,并且在生成激光雷达测距法和回环因子时,新的关键帧仅被注册到一组固定大小的子关键帧。这种在本地范围而不是全球范围内的扫描匹配促进了LIO-SAM框架的实时性能。所提出的方法在各种环境下的三个平台上收集的数据集上进行了全面评估。结果显示与LOAM和LIOM相比,LIO-SAM可以达到相似或更好的精度未来的工作包括在无人飞行器上测试该系统。
参考文献:
 
 
END
 
 
分享到:
 
网站首页  |  在线会议  |  合作模式  |  企业发布信息  |  我们的受众  |  关于我们  |  联络我们  |  法律声明  | 
Advertisement