Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior

在这项工作中，我们使用高斯过程运动先验展示了连续时间雷达惯性和激光雷达惯性测距。使用稀疏先验，我们展示了在预积分和插值期间改进的计算复杂度。我们使用加速度白噪声运动先验，并将陀螺仪视为状态的直接测量，同时预积分加速度计测量以形成相对速度因子。我们使用滑动窗口批处理轨迹估计实现了我们的测距。据我们所知，我们的工作是首次使用旋转机械雷达展示了雷达惯性测距，并使用了陀螺仪和加速度计测量。我们通过加入IMU将雷达测距的性能提高了19％。我们的方法高效，并展示了实时性能。此项目的代码可在以下链接中找到：https://github.com/utiasASRL/steam_icp

本论文旨在通过使用高斯过程运动先验来展示连续时间雷达惯性和激光雷达惯性里程计。论文试图解决如何使用雷达和IMU传感器来实现精确的自主导航问题。这是否是一个新问题？

本论文的关键思路是使用高斯过程运动先验来实现雷达惯性和激光雷达惯性里程计，并使用稀疏先验来提高计算复杂度。同时，使用白噪声加速度运动先验，将陀螺仪视为状态的直接测量，通过预积分加速度计测量来形成相对速度因子。

本论文的亮点在于使用高斯过程运动先验来实现雷达惯性和激光雷达惯性里程计，并使用稀疏先验来提高计算复杂度。同时，使用白噪声加速度运动先验，将陀螺仪视为状态的直接测量，通过预积分加速度计测量来形成相对速度因子。论文还展示了如何使用滑动窗口批量轨迹估计实现里程计，并且通过将IMU与雷达结合，提高了雷达里程计的性能。该论文的代码可以在https://github.com/utiasASRL/steam_icp找到。

在这个领域中，最近的相关研究包括：1）使用深度学习方法来实现雷达和IMU融合的自主导航；2）使用卡尔曼滤波器来实现雷达和IMU融合的自主导航；3）使用视觉里程计和IMU融合来实现自主导航。相关论文包括：1）DeepLIO: Deep LiDAR-Inertial Odometry with Explicit Mapping；2）A Multi-Sensor Fusion System with Extended Kalman Filter for Autonomous Vehicle Navigation；3）Visual-Inertial Navigation with Non-Linear Factor Recovery.