Traj-LIO: A Resilient Multi-LiDAR Multi-IMU State Estimator Through Sparse Gaussian Process

现今，传感器套装已经配备了冗余的LiDAR和IMU以减轻与传感器故障相关的风险。之前的离散时间和IMU驱动的运动学系统很难将多个异步传感器整合在一起，这些传感器容易受到异常IMU数据的影响。为了解决这些限制，我们引入了一个多LiDAR多IMU状态估计器，利用高斯过程(GP)来预测非参数连续时间轨迹，以捕捉传感器的时空运动，同时控制状态受限。由于三种线性时不变随机微分方程驱动的运动学模型独立于外部传感器测量，我们提出的方法能够处理不同的传感器配置，并对传感器故障具有弹性。此外，我们将传统的$\mathrm{SE}(3)$状态表示替换为$\mathrm{SO}(3)$和向量空间的组合，使基于GP的LiDAR惯性系统能够满足实时要求。对公共数据集的广泛实验表明，我们提出的多LiDAR多IMU状态估计器具有多样性和弹性。为了为社区做出贡献，我们将公开我们的源代码。

解决问题：论文旨在解决多传感器系统中传感器故障和异步数据的问题，提出了一种基于高斯过程的多LiDAR多IMU状态估计方法。

关键思路：文章提出了一种基于高斯过程的多LiDAR多IMU状态估计方法，通过预测非参数连续时间轨迹来捕捉传感器的时空运动，解决了现有离散时间和IMU驱动的运动模型难以处理多传感器异步数据和异常IMU数据的问题。

亮点：文章采用了新颖的状态表示方法，将传统的SE(3)表示法替换为SO(3)和向量空间的组合，使得基于高斯过程的LiDAR-IMU系统能够实现实时要求。文章在公共数据集上进行了广泛的实验，验证了该方法的多样性和鲁棒性，并承诺将公开源代码。

相关研究：最近的相关研究包括基于多传感器的状态估计方法和基于高斯过程的轨迹预测方法。