Fusion LiDAR-Inertial-Encoder data for High-Accuracy SLAM

在机器人领域中，实现同时定位和地图构建（SLAM）对于自主导航尤为重要，特别是在缺乏纹理的结构环境中。本文提出了一种基于因子图的模型，紧密集成IMU和编码器传感器以增强在这种环境下的定位能力。该系统通过仔细评估每个传感器的数据来运行。基于这些评估，权重会动态调整，以在任何时刻优先考虑更可靠的信息来源。机器人的状态使用IMU数据初始化，而编码器则有助于在长走廊中进行运动估计。这两种状态之间的差异被用来纠正IMU漂移。通过实验，这种方法的有效性得到了可靠的验证。与广泛使用的SLAM算法Karto SLAM相比，这种方法在旋转角度误差上实现了26.98％的改进，位置误差减少了67.68％。这些结果令人信服地证明了该方法在缺乏纹理的环境中具有更高的精度和鲁棒性。

本文旨在解决在纹理较少的环境中实现同时定位和地图构建的问题。

本文提出了一种基于因子图的模型，通过紧密地集成IMU和编码器传感器来提高在这种环境中的定位精度。该系统通过精细评估每个传感器的数据，并动态调整权重来优先考虑更可靠的信息源。

本文的方法在实验中得到验证，与广泛使用的Karto SLAM算法相比，在旋转角度误差上实现了26.98％的改进，在位置误差上实现了67.68％的减少。实验中使用了哪些数据集和开源代码等细节没有提及。

最近在这个领域中，还有一些相关研究，如《A Survey of Simultaneous Localization and Mapping with Moving Sensors》和《A Review of Recent Simultaneous Localization and Mapping》。