MSC-LIO: An MSCKF-Based LiDAR-Inertial Odometry with Same-Plane-Point Tracking

本文提出了一种基于多状态约束卡尔曼滤波器（MSCKF）框架的新型紧耦合激光雷达惯性测距（LiDAR-inertial odometry，LIO）方法，名为MSC-LIO。该方法采用高效的激光雷达同平面点（LSPP）跟踪方法，无需显式提取特征，用于帧间数据关联。跟踪的LSPP用于构建LSPP测量模型，建立多状态约束。此外，本文还提出了一种基于点速度的激光雷达-惯性测距时间延迟（LITD）估计方法，该方法源于所提出的LSPP跟踪方法。作者在公共和私人数据集上进行了广泛的实验。结果表明，所提出的MSC-LIO方法比现有方法具有更高的准确性和效率。消融实验结果表明，使用LSPP跟踪方法可以将数据关联效率提高近3倍。此外，所提出的LITD估计方法可以有效且准确地估计LITD。

本文旨在提出一种新的基于多状态约束卡尔曼滤波（MSCKF）框架的紧耦合激光雷达惯性测距（LiDAR-inertial odometry）方法，名为MSC-LIO，以提高激光雷达测距的准确性和效率。

本文提出了一种高效的激光雷达同平面点（LSPP）跟踪方法，用于帧间数据关联。跟踪到的LSPP被用于构建LSPP测量模型，进而构建多状态约束。此外，本文提出了一种基于点速度的激光雷达-惯性测距时间延迟（LITD）估计方法。

本文在公共和私有数据集上进行了广泛的实验，结果表明提出的MSC-LIO方法比现有方法具有更高的准确性和效率。本文提出的LSPP跟踪方法将数据关联效率提高了近3倍。此外，本文提出的LITD估计方法可以有效地、准确地估计LITD。

最近的相关研究包括基于MSCKF框架的视觉惯性测距方法，例如VINS-Mono和OKVIS。