IMU as an Input vs. a Measurement of the State in Inertial-Aided State Estimation

本技术报告比较了将惯性测量单元(IMU)视为运动模型输入和将其视为连续时间状态估计框架中状态的测量两种方法。在许多机器人应用中，将IMU测量视为运动模型的输入并对这些测量进行预积分几乎已经成为一种事实标准。然而，这种方法存在一些缺点。首先，它将IMU测量噪声与基础过程噪声混淆。其次，在IMU测量丢失的情况下，状态将如何传播不清楚。第三，它不适用于处理多个高速传感器，例如激光雷达和IMU或多个IMUs。在这项工作中，我们系统地比较了这两种方法在1D模拟中的性能，并展示它们在训练集上调整超参数的情况下表现相同。我们展示了如何使用高斯过程插值预积分异构因素。我们还提供了我们的连续时间激光惯性里程计在模拟和Newer College数据集上的结果。我们的激光惯性里程计的代码可以在以下网址找到：https://github.com/utiasASRL/steam_icp。

比较将IMU作为运动模型输入和将其视为连续时间状态估计框架中状态的测量的表现。

本文提出将IMU作为连续时间状态估计框架中状态的测量的方法，并与将其作为运动模型输入的方法进行比较。

本文在1D模拟中比较了两种方法的性能，并展示了如何使用高斯过程插值来预积分异构因素。实验结果表明，两种方法在训练集上调整超参数后表现相同。作者还提供了他们的连续时间激光雷达-惯性测距的实验结果，并在Newer College数据集上进行了测试。作者的代码可以在 https://github.com/utiasASRL/steam_icp 上找到。

在这个领域中，最近的相关研究包括使用不同的传感器组合进行SLAM的研究，以及使用深度学习等方法来提高状态估计的准确性的研究。例如，标题为“基于多传感器融合的视觉惯性里程计”的论文和标题为“深度学习在惯性导航中的应用”的论文。